.png){kind=icon}
返回
Object detection and classification using computer vision and deep learning on edge devices
.png){kind=icon}
PRE
AI
DOI：10.1007/s13198-025-03079-7.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文提出了一种新颖的方法，通过克服传统模型的两个关键局限性——跟踪缓慢和低分辨率输出——来增强实时监控系统。提出了一种双流处理架构，整合了专门的 facial metadata 流以提高响应速度和跟踪精度。通过隔离 facial features 并排除背景数据，该系统实现了更高的计算和存储效率。利用基于 AI 的计算机视觉和 facial recognition 技术，该模型显著提高了帧处理速率，实现了精确的坐标绘制和更快的 face tracking。系统性能在四个方面进行了评估：磁盘 I/O 速度、跟踪精度、GPU 性能和帧率。磁盘测试显示峰值写入和读取速度分别为 13.542 MB/s 和 2.742 MB/s，在峰值负载下足够，尽管偶尔的写入下降表明可能存在缓冲区溢出风险。精度测试显示与参考值的误差小于 1%。GPU 分析表明动态功耗在 5.564 至 30.857 W 之间变化，时钟速度最高达 1785 MHz，展示了自适应资源使用。帧率测试确认新模型持续捕获高达 60 帧，较传统系统的 21 帧平均帧数有显著提升。这种资源利用效率不仅提升了跟踪精度和系统可靠性，还通过避免不必要的数据收集支持隐私感知的监控系统。所提出的方法证明了其在提供智能、高性能和可持续的安全解决方案方面的有效性，为符合现代隐私标准的下一代监控技术铺平了道路。
Keyword:
Convolutional neural network
Artificial intelligence
Detection
Sensor
Surveillance
期刊
I
IF:
1.4
论文数:
370
被引数:
3.0K
机构
引用论文
.png){kind=icon}
Fusion of deep learning based cyberattack detection and classification model for intelligent systems融合深度学习的智能系统网络攻击检测与分类模型
PREAI
分享收藏A Blended Deep Learning Intrusion Detection Framework for Consumable Edge-Centric IoMT Industry
PREAI
分享收藏An Overview of Internet of Things (IoT) and Data Analytics in Agriculture: Benefits and Challenges物联网 (IoT) 和农业数据分析概述: 好处和挑战
PREAI
分享收藏
查看更多内容