本文提出了一种新颖的边缘计算实时视频分析系统，包括跟踪辅助对象检测模块和感兴趣区域模块，在具有波动网络条件的情况下，通过无线网络将智能视觉设备连接到边缘服务器，通过基于深度 Q 网络的边缘处理方法和基于多臂赌博机的自适应配置选择方法来解决实时视频分析问题。通过大量的模拟实验评估了该解决方案的性能，并展示了其优势。

Feb, 2024

通过使用远程服务器不断训练和调整轻量级模型，EdgeSync 筛选样本以考虑及时性和推理结果，从而提高实时视频分析系统的质量，并且通过测试数据集的评估，相比于现有方法提高了约 3.4%，相对传统方法提高了约 10%。

Jun, 2024

基于云边弹性模型适应（CEMA）范式，本文提出了一个在边缘设备上进行深度学习模型自适应的方法，通过前向传播和样本重放策略，更新和分发规范化层的仿射参数，以适应动态变化的环境，从而提高性能并减少通信负担。

Feb, 2024

通过使用 Encoder-Adaptor-Reconfigurator（EAR）框架，本文提出了一种高效的持续学习方法，用于处理领域转移下的非平稳数据分布以及新的数据，该框架利用深度神经网络（DNN）特征编码器和浅层网络进行训练，通过组合 DNN 和超维计算（HDC）检测新数据是否在分布之外，使用零样本神经架构搜索（ZS-NAS）识别低参数神经适配器以适应分布之外的数据，并通过根据需要动态增长神经架构，并通过适当的适配器和重构器来处理领域增量和类增量的持续学习，以最小化对之前任务的灾难性遗忘。通过在几个基准数据集上系统评估我们的方法，并与最先进的 ODD 检测和零样本 NAS 算法进行对比，证明了我们方法的强大性能。

Aug, 2023

本文提出了一种基于 Exponential Weighted Moving Average，使用随机特征进行 Maximum Mean Discrepancy 距离度量、实现高效率非参数在线变点检测的方法。

May, 2018

在本文中，我们提出了 MatchNAS，一种将深度神经网络移植到移动设备的新方案，通过同时优化一个大型网络集合，使用有标签和无标签数据，并自动搜索适用于不同硬件平台的定制网络，从而作为连接基于云的 DNN 和边缘的 DNN 之间的中间人。

Feb, 2024

本文研究了在边缘设备上重新训练深度神经网络的应用，并提出了一种基于矩阵分解的简单方法来压缩模型更新，以最小限度地传输数据，该方法与联邦学习类似，但一般来说，比现有方法需要的更新数据量少一半以上。

Mar, 2022

移动设备上处理视觉数据具有多种应用，但现有的计算机视觉技术通常过于耗电无法部署在资源受限的边缘设备上。本文提出一种新技术，通过引入超参数来动态调整深度神经网络的精确度和能源消耗，无需重新训练即可适应不同边缘应用的硬件约束与精确度要求。该技术称为 AdaptiveActivation，实验证明其在流行的边缘设备上可以达到基准的误差范围内，并且比基准技术所需内存减少了 10% 到 38%，从而提供更多的精确度与效率权衡选项。

Sep, 2023

现有的边缘感知伪装物体检测方法通常在早期阶段输出边缘预测，然而，边缘是后续分割任务中的重要且基本因素。为了解决这个问题，我们提出了一种新颖的边缘感知镜像网络（EAMNet），将边缘检测和伪装物体分割建模为交叉优化过程。实验结果表明，EAMNet 在三个广泛使用的伪装物体检测数据集中优于现有的最先进基线方法。

Jul, 2023

该论文提出了一种基于边缘计算的 DNN 协同推理框架 Edgent，通过 DNN 分区和权衡设备的云资源和临近边缘资源来协调实时的 DNN 推理，进而降低计算延迟，实现低延迟边缘智能处理。

Oct, 2019