27、边缘计算环境下的目标检测技术解析

边缘计算环境下的目标检测技术解析

1. 高效卷积网络架构

1.1 深度可分离卷积

深度可分离卷积能够显著减少计算量，相较于标准卷积操作，其计算过程可减少 8 - 9 倍，极大提升了架构的速度。

1.2 ShuffleNet

ShuffleNet 聚焦于计算能力有限的设备，如智能手机、无人机和机器人等。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，提供最佳的准确率。该架构利用通道混洗（Channel Shuffle）和逐点分组卷积（Point - wise Group Convolutions）。通道混洗是将输入通道的特征图进行混洗，然后传递给其他计算层，有助于构建高效的架构。

1.3 NASNet

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 与 Faster R - CNN 结合时，性能优于 MobileNet 和 ShuffleNet。它会创建一个搜索空间，在 CIFAR - 10 数据集上部署一系列卷积层，识别出网络中具有最佳特征图的卷积层或单元，使用相同的参数集，并在 ImageNet 数据集上重复应用，还创造了一种名为“计划丢弃路径（Scheduled Drop Path）”的新正则化方法。

2. EdgeAI 技术

2.1 云计算与深度学习的困境

深度学习模型需要大量的存储空间，且训练过程耗时。虽然云计算可在一定程度上解决这些问题，但存在网络延迟、数据隐私降低以及远程数据传输困难等缺