Continual Learning at the Edge: Real-Time Training on Smartphone Devices
University of Bologna(博洛尼亚大学);University of Pisa(比萨大学)
个性化学习的设备上训练是一个具有挑战性的研究问题。能够在边缘快速适应深度预测模型对于更好地满足个人用户需求是必要的。然而,边缘适应对学习过程的效率和可持续性以及在不断变化的数据分布下工作的能力提出了一些问题。事实上,仅仅根据新的可用数据天真地微调预测模型会导致灾难性遗忘,即突然删除先前获得的知识。在本文中,我们详细介绍了一种混合持续学习策略(AR 1 *)在原生Android应用程序上的实现和部署,以实现实时的【形】设备上的个性化而不会忘记。我们的基准测试基于CORe50数据集的扩展,显示了我们解决方案的效率和有效性。
2021-05-24 cs.AI cs.CV cs.LG
WaveletNet: Logarithmic Scale Efficient Convolutional Neural Networks for Edge Devices
Massachusetts Institute of Technology(麻省理工学院)
我们提出了一种用于边缘设备的微尺度高效卷积神经网络架构,称为WaveletNet。我们的模型是基于著名的depressive卷积,并在两个新的层,我们在这项工作中介绍:小波卷积和depressive快速小波变换。通过打破通道维度的对称性并应用快速算法,WaveletNet将卷积块的复杂性缩小了O(logD/D)因子,其中D是通道数。在CIFAR-10和ImageNet分类上的实验显示,与MobileNetV 2等最先进的模型相比,WaveletNet具有更优越的性能。
2018-11-28 cs.CV cs.LG stat.ML
Image Classification on IoT Edge Devices: Profiling and Modeling
Santa Clara University(圣克拉拉大学)
随着功能强大、低成本的物联网系统的出现,在更接近数据来源的地方处理数据,即边缘计算,已成为一种越来越可行的选择。除了降低网络基础设施的成本外,边缘计算还减少了边缘云延迟,这对于关键任务应用程序至关重要。在本文中,我们展示了使用物联网设备进行图像分类的可行性并研究了其性能。具体而言,我们探索可能影响能耗的图像分类算法的各种因素之间的关系,如数据集大小,图像分辨率,算法类型,算法阶段和设备硬件。我们的实验表明,三个预测变量,即模型复杂度,图像分辨率和数据集大小,相对于能源消耗之间有很强的正线性关系。此外,为了提供预测执行图像分类的边缘设备的能量消耗的手段,我们使用从我们的实验生成的数据来研究三种机器学习算法的使用。性能以及使用线性回归,高斯过程,和随机森林的权衡进行了讨论和验证。我们的研究结果表明,随机森林模型优于前两种算法,在两个不同的验证数据集的R平方值为0.95和0.79。
2019-08-13 cs.CV cs.LG cs.PF
EdgeOL: Efficient in-situ Online Learning on Edge Devices
University of Pittsburgh(匹兹堡大学);University of Georgia(佐治亚大学);University of Rochester(罗切斯特大学);Northeastern University(东北大学);Rutgers University(罗格斯大学);UCSD(加州大学圣迭戈分校)
针对边缘 DNN 在线微调能耗高、耗时长的问题,本文提出 EdgeOL 框架,通过调优间与调优内优化显著降低时间和能耗并提升精度。
2025-05-16 cs.CV cs.DC cs.LG
Active Learning for Deep Neural Networks on Edge Devices
Idein inc.(Idein公司)
在处理边缘设备上的深度神经网络(DNN)应用时,不断更新模型非常重要。虽然使用真实传入数据更新模型是理想的,但由于标签和通信成本等限制,使用所有数据并不总是可行的。因此,有必要过滤和选择用于训练的数据(即,主动学习)。在本文中,我们形式化了边缘设备上DNN的实际主动学习问题,并提出了一个通用的任务不可知框架来解决这个问题,该框架将其简化为流子模块最大化。这个框架足够轻,可以在低计算资源下运行,但由于子模块属性,它提供的解决方案的质量在理论上得到了保证。通过这个框架,我们可以灵活地配置数据选择标准,包括使用以前的主动学习研究中提出的方法。我们评估我们的分类和目标检测任务的方法,在一个实际的设置,以模拟现实生活中的场景。我们的研究结果表明,所提出的框架优于所有其他方法在这两个任务中,同时在实际设备上以实际的速度运行。
2023-03-22 cs.CV cs.LG cs.NI
Efficient Computer Vision on Edge Devices with Pipeline-Parallel Hierarchical Neural Networks
Purdue University(普渡大学);Loyola University Chicago(芝加哥洛约拉大学)
低功耗边缘设备上的计算机视觉可实现搜索救援和安全等应用。最先进的计算机视觉算法,如深度神经网络(DNN),对于低功耗边缘设备的推理来说太大了。为了提高效率,一些现有方法跨多个边缘设备并行化DNN推理。然而,这些技术引入了显著的通信和同步开销,或者无法跨设备平衡工作负载。本文证明了分层DNN架构非常适合多个边缘设备上的并行处理。我们设计了一种新的方法,创建一个并行推理流水线的计算机视觉问题,使用分层DNN。该方法平衡了协作设备之间的负载,并降低了通信成本,以便于以更高的吞吐量同时处理多个视频帧。我们的实验考虑了一个代表性的计算机视觉问题,其中在多个Raspberry Pi 4B上运行的每个视频帧上执行图像识别。通过四个协作的低功耗边缘设备,与现有的单设备分层DNN相比,我们的方法实现了3.21倍的吞吐量,每帧每设备能耗减少68%,内存减少58%。
2021-11-04 cs.CV cs.DC
perf4sight: A toolflow to model CNN training performance on Edge GPUs
Imperial College London(伦敦帝国学院)
当今边缘设备的内存和处理能力不断增强,为实现更高的边缘智能创造了机会。在视觉领域,使卷积神经网络(CNN)的结构和参数适应输入数据分布的能力导致系统具有更低的内存占用、延迟和功耗。然而,由于边缘设备上有限的计算资源和内存预算,系统必须能够预测训练过程的延迟和内存占用,以便识别网络拓扑和设备组合的有利训练配置,以实现有效的网络自适应。这项工作提出了perf4sight,这是一种自动化方法,用于开发精确的模型,预测给定目标设备和网络的CNN训练内存占用和延迟。这使得能够快速识别可以在边缘设备上以低资源消耗重新训练的网络拓扑。以PyTorch为框架,NVIDIA Jetson TX2为目标设备,开发的模型预测训练内存占用和延迟的准确率分别为95%和91%,适用于各种网络,为边缘GPU上的高效网络适配开辟了道路。
2021-08-12 cs.AI cs.CV cs.LG
Squeezed Edge YOLO: Onboard Object Detection on Edge Devices
University of Maryland, Baltimore County(马里兰大学巴尔的摩分校);Johns Hopkins University(约翰斯·霍普金斯大学)
针对边缘设备资源受限、难部署高算力目标检测模型的问题,提出参数量仅千字节级的Squeezed Edge YOLO压缩模型,在两类检测任务与两款边缘硬件上实现8倍模型压缩、76%能效提升与3.3倍速度提升。
2023-12-18 cs.CV
A Lightweight Deep Learning Model for Human Activity Recognition on Edge Devices
Jamia Millia Islamia(贾米亚·米利亚·伊斯兰亚大学)
使用可穿戴和移动传感器的人类活动识别(HAR)在过去几年中在医疗保健、监控、教育、娱乐等各个领域获得了发展势头。边缘计算是为了减少通信延迟和网络流量而出现的,边缘设备是资源受限的设备,无法支持高计算。在文献中,已经为HAR开发了各种模型。近年来,深度学习算法在HAR中表现出了很高的性能,但这些算法需要大量的计算,使得它们在边缘设备上部署时效率低下。本文提出了一种用于HAR的轻量级深度学习模型,需要更少的计算能力,使其适合部署在边缘设备上。所提出的模型的性能进行了测试的参与者的六个日常活动的数据。结果表明,该模型优于许多现有的机器学习和深度学习技术。
2019-09-20 cs.CV eess.SP
How Secure is Distributed Convolutional Neural Network on IoT Edge Devices?
Tennessee Technological University(田纳西理工大学)
卷积神经网络(CNN)已在许多应用中获得成功。在资源受限的边缘设备上部署CNN已被证明具有挑战性。采用了跨不同边缘设备的CNN分布式部署。在本文中,我们提出了木马攻击CNN部署在一个分布式的边缘网络在不同的节点。我们提出了五种分布式CNN推理的隐形攻击场景。这些攻击分为触发电路和有效载荷电路。这些攻击在深度学习模型(LeNet,AlexNet)上进行了测试。结果显示了各个层的脆弱性程度以及它们对最终分类的重要性。
2020-06-16 cs.CR cs.CV
Optimizing Neural Network for Computer Vision task in Edge Device
The National Institute of Engineering(国家工程学院)
由于卷积神经网络及其变体等网络,计算机视觉领域在过去几年中发展非常迅速。存储模型所需的内存和计算费用对于这样的网络来说非常高,限制了它在边缘设备上的部署。很多时候,应用程序依赖于云,但由于往返延迟,这使得实时工作变得困难。我们通过在边缘设备本身上部署神经网络来克服这些问题。通过降低模型中参数的浮点精度,减少了边缘器件的计算开销。在此之后,模型所需的内存减少,计算速度增加,模型的性能受到的影响最小。这使得边缘设备能够完全通过自身从神经网络进行预测。
2021-10-02 cs.AI cs.CV
Real-Time Video Inference on Edge Devices via Adaptive Model Streaming
MIT CSAIL(麻省理工学院计算机科学与人工智能实验室)
由于深度神经网络的高计算成本,在手机和无人机等边缘设备上进行实时的【形】视频推理具有挑战性。我们提出了自适应模型流(AMS),这是一种提高边缘设备上视频推理的高效轻量级模型性能的新方法。AMS使用远程服务器来持续训练和调整在边缘设备上运行的小型模型,使用来自大型最先进模型的在线知识蒸馏来提高其在实时视频上的性能。我们讨论了网络模型自适应视频推理的挑战,并提出了几种技术来降低这种方法的通信成本:避免过度拟合,更新一小部分重要的模型参数,以及在边缘设备上对训练帧进行自适应采样。在视频语义分割的任务中,我们的实验结果显示,与几个视频数据集上的预训练模型相比,平均Intersection-over-Union提高了0.4- 17.8%。我们的原型可以在三星Galaxy S10+手机上以每秒30帧的速度执行视频分割,相机到标签延迟为40毫秒,设备上的上行链路和下行链路带宽小于300 Kbps。
2021-04-05 cs.CV cs.LG cs.NI
EdgeOAR: Real-time Online Action Recognition On Edge Devices
School of Computer Science and Engineering, Central South University(中南大学计算机科学与工程学院);Big Data Institute, Central South University(中南大学大数据研究院);Department of Computer Science and Technology, Tsinghua University(清华大学计算机科学与技术系)
本文提出边缘设备实时在线动作识别框架EdgeOAR,通过TFEM、迭代训练及IIE/MC融合早退机制,在UCF-101上以极低延迟和能耗保持足够准确率。
2024-12-02 cs.CV
EdgeFace: Efficient Face Recognition Model for Edge Devices
Idiap Research Institute(伊迪亚普研究所);École Polytechnique Fédérale de Lausanne (EPFL)(洛桑联邦理工学院);Université de Lausanne (UNIL)(洛桑大学)
EdgeFace通过结合CNN与Transformer优势并引入低秩线性层,以1.77M参数在多个基准上超越更大计算复杂度的模型,实现面向边缘设备的高效人脸识别。
2024-01-12 cs.CR cs.CV
MEMO: Human-like Crisp Edge Detection Using Masked Edge Prediction
Department of Computer and Information Science, University of Macau(澳门大学计算机与信息科学系)
本文提出MEMO模型,通过设计训练和推理策略实现清晰边缘检测,利用交叉熵损失在合成数据集上预训练,再通过轻量模块微调,最终通过逐步预测策略生成更精确的边缘。
2026-03-21 cs.CV
Fire SSD: Wide Fire Modules based Single Shot Detector on Edge Device
Intel(英特尔)
随着边缘计算的出现,越来越需要在具有有限计算和热预算的小形状因子边缘计算设备上运行基于目标检测的卷积神经网络,以用于诸如视频监控的应用。为了解决这个问题,提出了有效的目标检测框架,如YOLO和SSD。然而,使用VGG16作为后端网络的基于SSD的目标检测不足以在边缘设备上实现实时的速度。为了进一步提高检测速度,后端网络被更高效的网络(如SqueezeNet和MobileNet)所取代。虽然速度大大提高,但其代价是精度较低。在本文中,我们提出了一个高效的SSD命名为消防SSD。Fire SSD在Pascal VOC 2007测试集上达到70.7mAP。Fire SSD在低功耗主流CPU上实现了30.6FPS的速度,比SSD300快约6倍,型号尺寸小约4倍。Fire SSD还在集成GPU上实现了22.2FPS。
2018-12-11 cs.CV
Self-Adapting Large Visual-Language Models to Edge Devices across Visual Modalities
University of Edinburgh(爱丁堡大学);Cisco Research(思科研究院);University College London(伦敦大学学院)
本文提出EdgeVL框架,通过双模态知识蒸馏与量化感知对比学习,首次系统性地将CLIP等大型视觉-语言模型适配到边缘设备,在无需人工标注的情况下支持RGB与非RGB图像,实现最高15.4%的准确率提升和93倍的模型压缩。
2024-10-01 cs.CV
Low-Cost On-device Partial Domain Adaptation (LoCO-PDA): Enabling efficient CNN retraining on edge devices
Imperial College London(伦敦帝国理工学院)
随着卷积神经网络(CNN)在边缘设备上的部署越来越多,部署时观察到的数据分布的不确定性导致研究人员利用大型和广泛的数据集(如ILSVRC'12)来训练CNN。因此,部署时观察到的数据分布可能是训练数据分布的子集。在这种情况下,不使网络适应所观察到的数据分布可能会由于负传输而导致性能下降,并且缓解这一点是部分领域自适应(PDA)的焦点。当前针对PDA的工作并不关注在边缘设备上执行领域自适应,以适应变化的目标分布或降低部署自适应网络的成本。这项工作提出了一种新的PDA的方法,针对所有这些方向,并开辟了途径,设备上的PDA。LoCO-PDA通过使其能够在边缘设备上重新训练,使部署的网络适应观察到的数据分布。在ILSVRC 12数据集的各个子集中,LoCO-PDA平均将分类精度提高了3.04pp,同时在NVIDIA Jetson TX 2上实现了高达15.1倍的再训练内存消耗减少和2.07倍的推理延迟改善。这项工作是在\emph{link removed for anonymity}开源的。
2022-03-01 cs.AI cs.CV
EcoLens: Leveraging Multi-Objective Bayesian Optimization for Energy-Efficient Video Processing on Edge Devices
Siebel School of Computing and Data Science(计算与数据科学学院)
本文提出EcoLens系统,通过离线配置画像与多目标贝叶斯优化在线动态调整CPU频率、帧过滤、差分阈值和视频比特率,在边缘设备上以最小能耗实现目标推理精度。
2025-05-31 cs.CV
SC-MII: Infrastructure LiDAR-based 3D Object Detection on Edge Devices for Split Computing with Multiple Intermediate Outputs Integration
Graduate School of Science and Engineering(科学与工程研究生学校);Saitama University(上野大学);School of Engineering(工程学院);Institute of Science Tokyo(东京科学研究所)
SC-MII通过多激光雷达和边缘计算实现高效3D目标检测,降低延迟和能耗,提升隐私保护。
2026-01-12 cs.CV cs.DC
Asteroid: Resource-Efficient Hybrid Pipeline Parallelism for Collaborative DNN Training on Heterogeneous Edge Devices
School of Computer Science and Engineering, Sun Yat-sen University(中山大学计算机科学与工程学院);Data Science and Analytics Thrust, HKUST (GZ)(香港科技大学(广州)数据科学与分析学域);The Chinese University of Hong Kong(香港中文大学)
针对边缘端DNN训练资源受限问题,提出分布式训练系统Asteroid,通过混合流水线并行、资源感知规划及轻量容错重放机制,在异构边缘设备上实现训练加速与鲁棒性提升。
2024-08-15 cs.AI cs.CV cs.DC
Edge Intelligence: On-Demand Deep Learning Model Co-Inference with Device-Edge Synergy
School of Data and Computer Science(数据与计算机科学学院);Sun Yat-sen University(中山大学)
作为机器学习的骨干技术,深度神经网络(DNN)已迅速上升到聚光灯下。然而,在资源受限的移动设备上运行DNN绝不是微不足道的,因为它会带来高性能和能量开销。而将DNN卸载到云上执行会遭受不可预测的性能,这是由于不受控制的长广域网延迟。为了应对这些挑战,在本文中,我们提出了Edgent,这是一个具有设备边缘协同作用的协作和按需DNN协同推理框架。Edgent追求两个设计旋钮:(1)DNN分区,自适应地在设备和边缘之间划分DNN计算,以便利用邻近的混合计算资源进行实时DNN推理。(2)DNN合理调整大小,通过在适当的中间DNN层提前退出来加速DNN推理,以进一步减少计算延迟。基于Raspberry Pi的原型实现和广泛评估证明了Edgent在实现按需低延迟边缘智能方面的有效性。
2018-12-27 cs.AI cs.CV cs.DC
EdgeMA: Model Adaptation System for Real-Time Video Analytics on Edge Devices
Ping An Technology (Shenzhen) Co., Ltd.(平安科技(深圳)有限公司);Huazhong University of Science and Technology(华中科技大学);Stony Brook University(石溪大学);Hunan Chasing Financial Holdings Co., Ltd.(湖南财信金融控股集团有限公司)
针对边缘 DNN 在场景变化下易受数据漂移影响的问题,本文提出 EdgeMA 系统,利用纹理特征、Random Forest 域偏移检测和重要性加权模型适配,显著提升实时视频分析的推理准确率。
2023-08-17 cs.AI cs.CV
Lightweight Remote Sensing Scene Classification on Edge Devices via Knowledge Distillation and Early-exit
Harbin Institute of Technology, Shenzhen(哈尔滨工业大学深圳研究院)
针对边缘设备上遥感场景分类模型难以兼顾精度、延迟与能耗的问题,提出结合频域蒸馏GFNet和动态早退机制的轻量化E3C框架,在多设备多数据集上实现推理提速1.3倍、能效提升超40%且保持高精度。
2025-07-28 cs.AI cs.CV
Anomaly Detection in Residential Video Surveillance on Edge Devices in IoT Framework
Indian Institute of Information Technology, Nagpur(那格浦尔印度信息技术学院);Visvesvaraya National Institute of Technology, Nagpur(维斯瓦拉亚国家理工学院那格浦尔分校)
智能居民监控是最基本的智能社区服务之一。安全需求的不断增长需要监控系统能够检测到监控场景中的异常。在住宅社会中使用大容量计算设备进行智能监控是昂贵的,不可行的。因此,我们提出了使用仅CPU边缘设备进行智能监控的异常检测。一个模块化的框架来捕获对象级的推理和跟踪。为了应对部分遮挡,姿态变形,和复杂的场景,我们采用了特征编码和轨迹关联由两个相互补充的度量。异常检测框架的元素经过优化,可以在仅CPU的边缘设备上运行,并具有足够的每秒帧(FPS)。实验结果表明,该方法是可行的,并取得了令人满意的结果在现实生活中的场景。
2021-08-09 cs.AI cs.CV
EdgeEar: Efficient and Accurate Ear Recognition for Edge Devices
Faculty of Computer and Information Science, University of Ljubljana(卢布尔雅那大学计算机与信息科学学院);Universitat Pompeu Fabra(庞培法布拉大学)
针对边缘设备部署高性能耳部识别模型的挑战,提出轻量级模型EdgeEar,其基于混合CNN-Transformer架构并结合低秩近似,参数减少50倍至200万以下,在UERC2023基准上实现最低EER且计算成本显著降低,推动耳部生物识别广泛应用。
2025-02-11 cs.AI cs.CV
Fast and Resource-Efficient Object Tracking on Edge Devices: A Measurement Study
Georgia Institute of Technology(佐治亚理工学院);Florida International University(佛罗里达国际大学);Cisco Systems, Inc.(思科系统公司)
针对边缘设备上实时多目标跟踪面临的计算资源不足导致的丢帧问题,提出EMO优化策略,通过窗口和相似性优化提升速度与精度,在基准上验证了有效性。
2023-09-06 cs.CV cs.DC
Video Object Recognition in Mobile Edge Networks: Local Tracking or Edge Detection?
School of Communications and Electronics Engineering, East China Normal University(电子信息工程学院,华东师范大学);School of Electronics and Information Technology, Sun Yat-sen University(电子信息技术学院,中山大学);School of Computer Science, Fudan University(计算机科学学院,复旦大学);Information Systems Technology and Design Pillar, Singapore University of Technology and Design(信息系统技术与设计学院,新加坡科技设计大学)
本文提出LTED-Ada算法,结合深度强化学习和联邦学习,在移动端边缘网络中实现自适应的视频物体识别,通过本地跟踪与边缘检测的动态决策提升识别效率与准确性。
2025-11-25 cs.CV eess.IV
CoEdge: Cooperative DNN Inference with Adaptive Workload Partitioning over Heterogeneous Edge Devices
Sun Yat-sen University(中山大学);University of Nevada, Reno(内华达大学里诺分校);Arizona State University(亚利桑那州立大学)
人工智能的最新进展已经推动了网络边缘的智能应用,例如灵巧家庭、智能工厂和智能城市。为了在资源受限的边缘设备上部署计算密集型深度神经网络(DNN),传统方法依赖于将工作负载卸载到远程云或在本地优化终端设备的计算。然而,云辅助的方法受到不可靠和延迟显著的广域网,和本地计算方法受到限制的计算能力。协同执行机制为实现高性能边缘智能提供了一种新的范式,近年来引起了越来越多的研究兴趣。在本文中,我们提出了CoEdge,这是一个分布式DNN计算系统,可以在异构边缘设备上协调协作DNN推理。CoEdge利用边缘的可用计算和通信资源,并根据设备的计算能力和网络条件动态划分DNN推理工作负载。基于实际原型的实验结果表明,CoEdge算法在推理延迟接近的情况下,比现有算法具有更好的节能效果,对4种广泛采用的CNN模型,其能耗降低幅度可达25.5%~66.9%.
2020-12-06 cs.CV cs.DC cs.NI
Efficient Multi-Object Tracking on Edge Devices via Reconstruction-Based Channel Pruning
Hochschule Hannover – University of Applied Sciences and Arts(汉诺威应用科学与艺术大学)
针对边缘设备计算资源有限导致多目标跟踪难以实时运行的问题,提出基于重建的通道剪枝方法压缩复杂网络,在保持高精度的同时将模型尺寸缩减70%,并在边缘设备上提升性能。
2024-10-11 cs.AI cs.CV
Residual-INR: Communication Efficient On-Device Learning Using Implicit Neural Representation
Georgia Institute of Technology(佐治亚理工学院);Samsung Semiconductor, Inc.(三星半导体公司)
提出Residual-INR框架,利用隐式神经表示压缩图像为网络权重,减少边缘设备间数据传输,实现通信高效的设备端学习,提升速度且不损精度。
2024-12-16 cs.AI cs.CV cs.DC
Panopticus: Omnidirectional 3D Object Detection on Resource-constrained Edge Devices
Yonsei University(延世大学);Uppsala University(乌普萨拉大学)
针对边缘设备上基于全向相机的3D检测算力受限问题,提出Panopticus自适应多分支系统,按资源与空间特征动态调整模型,在33 ms延迟下精度平均提升62%,延迟平均降低2.1倍。
2024-10-02 cs.CV cs.SY eess.SY
Efficient Driving Behavior Narration and Reasoning on Edge Device Using Large Language Models
Brunel University London(布鲁内尔大学伦敦校区);University of Birmingham(伯明翰大学)
本文提出将大语言模型部署于边缘设备的路侧单元框架,通过融合环境、智能体和运动数据的多模态提示策略,在OpenDV-Youtube数据集上显著提升了驾驶行为叙述与推理性能。
2024-09-30 cs.AI cs.CV cs.RO
Creating Lightweight Object Detectors with Model Compression for Deployment on Edge Devices
NetEase Ltd.(网易公司)
为了实现部署在边缘设备上的轻量级对象检测器,本文提出了一种有效的模型压缩流水线。压缩流水线由主干的自动通道修剪、分支层的固定通道删除和引导学习的知识蒸馏组成。因此,Resnet 50-v1 d在ImageNet上自动修剪和微调,以获得紧凑的基础模型作为对象检测器的支柱。然后,轻量级的对象检测器实现与建议的压缩流水线。例如,创建了模型大小=16.3MB、FLOPS=2.31G和mAP=71.2的SSD-300,显示出比SSD-300-MobileNet更好的结果。
2019-05-06 cs.CV eess.IV
Experimental comparison of graph-based approximate nearest neighbor search algorithms on edge devices
本文首次在边缘设备上系统比较多种基于图的近似最近邻搜索算法,引入插入删除延迟和功耗等指标,为智慧城市和自动驾驶等实时跟踪应用提供选型依据。
2024-11-21 cs.AR cs.CV cs.DC