HeteroEdge: 解决异构协作自主系统中的不对称问题
利用卷积神经网络的视觉跟踪能力配合移动边缘计算,提出了一种新的层次分布式计算框架,将有限的计算资源和能量预算分配到无人机和移动边缘服务器上,以达到更高的推断精度和更低的计算成本。
Aug, 2020
我们提出了一个高效的视频分割系统,用于资源有限的边缘设备,利用异构计算,设计网络模型并优化异构数据流,实现了高精度、低延迟、高帧率和低功耗的实时增强现实系统。
Aug, 2022
自动驾驶的环境感知是关键因素,研究着重于实现实时感知与预测,通过在不同资源环境中进行计算卸载,最终的模型可以在云端实时运行并提供较好的性能。
Aug, 2023
利用深度学习模型在机器人中作为感知信息提取器的部署,有许多困难之处。本文着重探讨了其中三个最显著的障碍,即如何将单个模型适应于同时执行多个任务的需求、如何实现实时性、以及如何使用具有不对等标注数量的非对称数据集。通过使用实时语义分割网络和知识蒸馏的简单解决方案,我们将这些障碍一一克服。最终,我们的系统可以方便地扩展,使用单个模型同时处理更多任务和未来更多的数据集,能够在室内和室外分别执行深度估计和分割,并在 640x480 像素的输入上只需要一个前向通道即可实现 13ms 和 6.5 GFLOPs 成本的效果,从而直接将其用于场景的 3D 语义重建中。
Sep, 2018
在给定的硬件资源约束下,我们设计了深度神经网络,对应的网络拆分来将 DNN 的工作负载分配到摄像头传感器和中央聚合器上的头戴设备上,以满足系统性能目标,通过 SplitNets 框架进行模型设计、拆分和通信减少,进一步扩展框架用于多视图系统,以实现从多个相机传感器中输入的最佳性能和系统效率的融合学习,并在 ImageNet 和 3D 分类的单视图及多视图系统上验证拆分网络的表现优于现有方法。
Apr, 2022
Hode 是一个视频分析框架,使用分布式 edge 节点加速行人检测,具有上下文感知区域分割和基于 DRL 的调度算法,可以在减少精度损失的同时实现高达 2.01%的加速效果。
Jan, 2023
提出了一种名为 VeriSplit 的机器学习推理离线框架,使用掩码技术保护数据隐私和模型机密性,并采用基于承诺的验证协议确保推理结果的完整性。相比于本地计算,该解决方案能够减少推理延迟 28%-83%。
Jun, 2024
本研究提出一种名为 CoEdge 的分布式深度神经网络计算系统,优化了边缘设备的计算和通信资源,在许多共同参与的异构边缘设备上进行协同深度神经网络计算,与现有方法相比,CoEdge 在降低能耗方面更具优势。
Dec, 2020
提出了 Edgent,这是一种协作和按需的 DNN 合作推理框架,其旨在通过在设备和边缘之间自适应地分配 DNN 计算来提高实时 DNN 推理的性能,并通过在适当的中间 DNN 层进行早期退出来加速 DNN 推理。
Jun, 2018