.png){kind=icon}
返回
OffloaD: Detection Failure-based Scheduler for Offloading Object Detection
.png){kind=icon}
OA
AI
DOI：10.1145/3677321.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
当前时代要求资源受限设备（如无人机、轻型移动机器人、XR眼镜或手机）高效且实时地执行目标检测。然而，在设备端执行目标检测时，其准确率无法满足要求。此外，依赖强大的边缘节点进行计算卸载不仅耗时，因为需要传输大量数据，还限制了在劣化网络条件下的使用。本文提出OffloaD，一种基于目标检测失败检测的新型卸载调度器。该方法通过利用设备端目标检测模型的准确率和网络状况，解决了资源受限设备与边缘节点之间的卸载问题。准确率通过包含自省、基准和延迟分数的检测失败指标进行考量。我们的主要贡献是基于目标检测器失败检测的卸载调度器，该调度器在不降低准确率的前提下减少不必要的数据传输。我们的方法表明，卸载至高成本检测器并不总是能提升性能，并能在网络劣化或不可用时仍实现检测结果和失败估计。我们在物理测试床上实现了OffloaD，并与多个基线方法进行了广泛比较。实验结果表明，在理想网络条件下，我们的方法通过减少端到端延迟18%至37%，在劣化网络条件下仅产生少量延迟增加，同时相较于基线方法在准确率上实现了最小退化。此外，与相关研究方法的比较进一步证明了OffloaD的先进性能。
Keyword:
Object detection
offloading
distributed systems
detection failure
期刊
IF:
2.6
论文数:
238
被引数:
2.3K
机构
引用论文
Edge-Network-Assisted Real-Time Object Detection Framework for Autonomous Driving边缘网络辅助的自动驾驶实时目标检测框架.png)
IEEE NETWORK
OAAI
IEEE NETWORKIF6.3
OAAI分享收藏Temporal patterning of pulses during deep brain stimulation affects central nervous system arousal
PREAI
分享收藏分享收藏分享收藏Network-Aware 5G Edge Computing for Object Detection: Augmenting Wearables to See More, Farther and FasterIEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏 没有更多内容
没有更多内容