Sep, 2023

基于语义的云边协同推理

PDF
TL;DR本研究提出了一种基于语义驱动的云边协作方法，用于加速视频推断，以车牌识别为案例研究。通过将语义提取和识别分离，在减少端到端延迟和提高吞吐量的基础上，将计算密集型的识别任务分配给云端或相邻边缘节点进行处理。实验证明，与仅采用云端或仅采用边缘节点处理相比，该方法可以显著提高端到端推断速度（高达 5 倍），吞吐量（高达 9 FPS）和减少流量（减少 50%），从而验证了该方法的效率。语义驱动的云边协作框架为智慧城市中的视频分析提供了具有良好前景的解决方案。
video analyticssemantics-driven approachlicense plate recognitioncloud-edge collaborationsmart cities
发现论文，激发创造
  • 城市自动驾驶应用的概率语义地图

    本文介绍了一种将图像和预先构建的点云地图信息融合的方法来自动且准确地标记诸如道路、人行道、人行横道和车道等静态地标，并展示了该模型可以预测大部分道路特征并可以扩展用于自动将道路特征纳入高清地图。

    Jun, 2020

  • 利用语义和机器学习扩展数据科学解决方案：博世案例

    通过将语义技术和机器学习与云系统相结合，SemCloud 为非云计算专家提供了一个语义增强的云系统，它依靠领域本体和数据集成映射来实现数据处理和分析的分布式计算。

    Aug, 2023

  • 基于逐帧推理的高效语义视频分割

    本文提出了一种有效的语义视频分割方法，借鉴于现有方法中将结果传播到相邻帧或使用其他帧提取帧表示时可能会导致不准确的结果或不平衡的延迟问题，我们在推理过程中采用逐帧方式处理，其中显式考虑帧与帧之间的时间一致性，并将此一致性嵌入到语义分割网络中。通过新的知识蒸馏方法，我们成功地缩小了紧凑型模型与大型模型之间的性能差距。我们的结果在 Cityscapes 和 Camvid 等流行基准测试中优于先前的基于关键帧的方法，并提高了与独立训练每帧的对应基线的时间一致性。

    Feb, 2020

  • 高效云边协同推断之物体重新识别

    通过云 - 边缘协作处理范例，我们提出了一种分布感知的相关建模网络（DaCM），用于重新识别系统，将希望的图像尽快返回云服务器，通过学习建模实例之间的时空关联性。我们的方法明显减少传输开销并显著提高性能。

    Jan, 2024

  • 自动驾驶快速场景理解

    本文提出一种基于 ENet 的实时高效实现，可以同时解决语义场景分割、实例分割和单目深度估计三个自动驾驶相关任务，不会因同时运行多个任务而牺牲准确性。

    Aug, 2017

  • MultiNet: 自主驾驶实时联合语义推理

    本文提出了一种联合分类、检测和语义分割的方法，其中编码器在三个任务之间共享。该方法非常简单，可以端到端训练，在具有挑战性的 KITTI 数据集中表现良好，在道路分割任务中优于现有技术。而且，我们的方法非常高效，执行所有任务只需要不到 100 毫秒。

    Dec, 2016

  • 在边缘协作的跨相机视频分析

    本文介绍了基于 CONVINCE 的视频监控系统，该系统通过视觉数据间的协同分析来减少计算成本、可视化带宽并提高目标识别的准确性，实现了约 91％的准确性，仅传输了大约 25％的所有记录帧。

    Feb, 2020

  • 利用边缘计算实现实时视频分析通过自适应的时空语义过滤

    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

  • 利用边缘和云端技术进行基于 V2X 的自动驾驶实时物体检测

    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

  • 聚合语义边缘的车辆定位系统

    本文提出了 VLASE 框架，使用来自图像的语义边缘特征实现道路定位，实验表明其优于一些最先进的定位算法，利用消融研究证明了其集成方法相比于单独使用显著特征如天际线实现更好的性能。

    Jul, 2018