近年來,深度學(xué)習(xí)一直處于可視化計算的前沿,深度學(xué)習(xí)提高了一些復(fù)雜任務(wù)的計算效率,如人臉識別,物體識別,動作識別等。隨著移動互聯(lián)網(wǎng)技術(shù)與5G技術(shù)的發(fā)展,深度學(xué)習(xí)網(wǎng)絡(luò)方面突破性的進展使其對移動設(shè)備與穿戴設(shè)備更加具有吸引力,但由于穿戴設(shè)備的計算能力較弱,深度學(xué)習(xí)網(wǎng)絡(luò)模型需要很長時間才能在資源有限的穿戴設(shè)備做出推斷,并且深度學(xué)習(xí)網(wǎng)絡(luò)模型部署在穿戴設(shè)備中也會占用更大的存儲空間。由于高延遲或者缺乏連接,將穿戴設(shè)備的計算移到云端通常是不可行的。如何有效的解決上述問題,仍是該領(lǐng)域目前研究的熱點。針對上述問題,本文將深度學(xué)習(xí)技術(shù)與邊緣計算技術(shù)相結(jié)合,從實際應(yīng)用部署的角度出發(fā),提出了一種移動端與邊緣端協(xié)同計算的策略,簡稱大小模型協(xié)同策略。該策略通過將移動端的深度學(xué)習(xí)模型計算部分卸載到邊緣端,在保證系統(tǒng)識別準確率的前提下,有效的降低移動設(shè)備的計算壓力。此外,本文針對一些特殊的應(yīng)用環(huán)境,如地震搜救等存在網(wǎng)絡(luò)通信不穩(wěn)定的問題,提出了一種復(fù)雜網(wǎng)絡(luò)環(huán)境下的邊端模型協(xié)同策略,該策略針對不同的網(wǎng)絡(luò)狀態(tài),對系統(tǒng)進行自適應(yīng)的調(diào)度,使系統(tǒng)在通信故障的情況下仍然具有獨立工作的能力,進一步提高了系統(tǒng)的魯棒性。最后,本文針對由于拍...

【文章頁數(shù)】：68 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 課題研究背景及研究的目的
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 圖像識別算法研究現(xiàn)狀
        1.2.2 邊緣計算研究現(xiàn)狀
    1.3 本文的主要研究內(nèi)容
    1.4 論文組織結(jié)構(gòu)
第2章 相關(guān)技術(shù)及背景介紹
    2.1 邊緣計算
        2.1.1 邊緣計算概述
        2.1.2 邊緣計算的應(yīng)用場景
    2.2 深度學(xué)習(xí)技術(shù)在圖像識別領(lǐng)域的應(yīng)用
    2.3 邊緣計算與深度學(xué)習(xí)結(jié)合可行性分析
    2.4 應(yīng)用場景及需求分析
第3章 邊端協(xié)同策略的設(shè)計與研究
    3.1 引言
    3.2 大小模型協(xié)同策略
        3.2.1 大小模型協(xié)同策略可行性分析
        3.2.2 大小模型分數(shù)閾值計算方法研究
    3.3 復(fù)雜網(wǎng)絡(luò)環(huán)境下的邊端模型協(xié)同調(diào)度策略
        3.3.1 網(wǎng)路延遲閾值計算方法研究
    3.4 基于邊緣計算的圖像融合策略
        3.4.1 問題描述
        3.4.2 算法介紹
    3.5 本章小結(jié)
第4章 邊端協(xié)同策略實驗驗證
    4.1 引言
    4.2 大小模型協(xié)同策略實驗驗證
        4.2.1 實驗設(shè)置
        4.2.2 實驗驗證
    4.3 復(fù)雜網(wǎng)絡(luò)環(huán)境下的邊端模型協(xié)同策略實驗驗證
        4.3.1 實驗設(shè)置
        4.3.2 實驗驗證
        4.3.3 實驗分析
    4.4 基于邊緣計算圖像融合策略測試
    4.5 本章小結(jié)
結(jié)論
參考文獻
攻讀碩士學(xué)位期間發(fā)表的論文及其它成果
致謝



本文編號：3815724