在智能物联网背景下，摄像头已经无处不在，随着监控设备数量增长，对应每秒产生的数据量也是爆炸式增长，终端设备自身的计算资源终归有限，在面对突发的高工作负载时，无法在短时间内处理这么多的任务量。本文专注于对视频关键帧选取和任务卸载两个方面进行研究，提出了一种边端协同的目标检测任务卸载方法，从而缓解终端的工作负载，有效降低工作时延。
在智能物联网背景下，摄像头已经无处不在，部署在交通、校园和企业等各个领域。随着监控设备数量增长，对应每秒产生的数据量也是爆炸式增长，终端设备自身的计算资源终归有限，在面对突发的高工作负载时，无法在短时间内处理这么多的任务量。本文专注于对视频关键帧选取和任务卸载两个方面进行研究，提出了一种边端协同的目标检测任务卸载方法，从而缓解终端的工作负载，有效降低工作时延。制定基于K-Means聚类的关键帧提取算法，基于帧间差异性来确定关键帧数量，有效提取视频的主要信息，减小终端的工作负载；基于任务规模对任务卸载决策的影响，构造任务的本地处理时延和卸载时延的线性回归方程，建立自身开销很小的遗传算法GT-MA来获得最佳的任务卸载方案，实现任务整体时延最小。
| 算法名称 | 边端协同的任务卸载算法 |
| 算法接口 | python.test.py |
| 算法输入 | 一段视频 |
| 算法输出 | 视频帧分配方案 |
| 依赖库 | python 3.7，opencv-python3.4，tensorflow2.0 |
| 参考资源 | Distream：scaling live video analytics with workload-adaptive distributed edge intelligence |
Gitlab链接：GTMA· GitLab (crowdhmt.com)
-
发表于 2022-07-23 12:13
- 阅读 ( 1280 )
- 分类：边端协同深度计算
