27、边缘计算环境下的目标检测技术

边缘计算环境下的目标检测技术

1. 卷积网络架构

• 深度可分离卷积 ：使用深度可分离卷积时，与标准卷积操作相比，计算过程可减少八到九倍，有效提升了架构的速度。
• ShuffleNet ：专注于计算能力有限的设备，如智能手机、无人机和机器人。它试图在将计算需求限制在10到150 MFLOPS（每秒百万浮点运算）的同时提供最佳精度。ShuffleNet利用通道混洗和逐点分组卷积，通道混洗有助于构建高效的架构。
• NASNet ：由Google Brain开发，主要用于问题分类，常与区域提议网络算法（如Faster R - CNN中的算法）结合使用。NASNet会创建一个搜索空间，在CIFAR - 10数据集上部署一系列卷积层，识别具有最佳特征图的卷积层或单元，并将相同的参数集应用于ImageNet数据集，还创造了“计划丢弃路径”的正则化方法。

2. EdgeAI技术

传统的深度学习模型依赖云数据中心，但存在网络延迟、数据隐私和数据传输困难等问题。EdgeAI通过将训练好的模型与加速器（如Jetson Nano、TB - 96AI、CoralDevboard等）相结合，在本地处理新数据，避免了这些问题。EdgeAI具有以下优点：
- 增加隐私，因为数据在本地处理。
- 降低数据通信成本。
- 实现实时处理。
- 减少成本和网络延迟。

3. 目标检测的应用

目标检测在理解和分析场景中起着关键作用，随着边缘计算的出现，基于