[4] Smart Traffic Monitoring System using Computer Vision and Edge Computing
Background：交通堵塞检测和超速检测。
Motivation：I、交通管理系统可捕获大量视频数据，并利用视频处理技术的进步来检测和监控交通事故。传统上，收集的数据会转发到流量管理中心 （TMC） 进行深入分析，因此可能会加剧到 TMC 的网络时延。（数据量大导致时延增大）。II、我们建议利用边缘通过为靠近摄像头的边缘节点配备计算资源（例如 Cloudlet）进行计算。与 TMC 相比，Cloudlet 的计算资源有限，提供的视频处理能力有限。
所以，一种在边缘实现，另一种在 TMC 实现，它们在设计时考虑了不同的计算资源。虽然 TMC 提供了强大的计算能力，但它接收的视频质量取决于底层网络条件。另一方面，边缘处理非常高质量的视频，但计算资源有限。
Approach：混合边缘云解决方案优于纯云和纯边缘解决方案。
[5] Edge-Based and Privacy-Preserving Multi-Modal Monitoring of Student Engagement in Online Learning Environments
Bakground：网课场景
Motivation：参与度是学生学习成绩的早期预测指标，因此教师可以观察听众的行为以保持他们的参与度。所以说检测学生的参与度。
Approach：提供了一种基于边缘的多模式参与分析解决方案，以维护其所有受众的参与度概览。这使得CPU占用率显著变低。
[6] Sleep Monitoring Systems based on Edge Computing and Microservices Caching[C]
Background：睡眠检测问题
Motivation：传统上，运行状况监测系统受到云中集中处理和存储的限制，从而导致延迟问题和潜在的数据丢失。
Approach：一种基于边缘计算的智能睡眠监测系统，利用微服务架构和缓存技术。拟议的系统采用边缘计算，使数据处理更接近源头，从而减少延迟并提高实时监控能力。缓存用于减少数据库负载并优化随机存取存储器 （RAM） 的使用。主要是缓存的出现。
[7] Joint Deployment of Fixed-Site and UAV Mounted Edge Servers Based on Traffic Prediction[C]
Background：预测车流量
Motivation：随着移动边缘计算 （MEC） 的快速发展，如何及时响应和高效利用计算资源已成为一项挑战。然而，传统的静态边缘计算资源缺乏灵活性，无法适应车联网 （IoV） 用户所经历的动态时空变化。
Approach：I、将固定站点边缘服务器 （FES） 与无人机安装的边缘服务器 （UAVE） 一起部署，以向车联网用户 （UE） 提供卸载服务。II、动态分配计算任务以优化资源利用率。（动态边）
[8] Machine learning based IoT system for secure traffic management and accident detection in smart cities
Backgrounds: 拥堵预测
Motivation：在智慧城市中，汽车的快速增长导致了拥堵、污染和商品运输中断。每年，由于日常道路事故而导致的死亡人数和永久性损伤病例都更多。
Approach：使用基于物联网的交通管理系统检测事故。为了识别、收集和发送数据，自动驾驶汽车和智能小工具配备了带有一组传感器的基于 IoT 的 ITM 系统。运输系统正在通过机器学习得到改进。
[9] A YOLOv7 Forest Fire Detection System with Edge Computing
Backgrounds: 火灾检测
Motivation：传统的火灾检测方法的实时性和检测能力较弱。新一代深度学习技术，尤其是卷积神经网络，为火灾探测提供了新的手段和方法。基于深度学习的火灾探测方法具有较高的准确率和鲁棒性。但是，由于其参数数量众多，计算量大，很难实际应用。随着边缘计算的发展，现在可以使用边缘而不是云进行计算，这将大大降低延迟。
Approach：基于 YOLOv7 网络训练了一个能够识别森林火灾的模型，并将训练后的模型进一步部署到边缘服务器 RK3588 上。最后，使用 Pyqt5 构建了能够显示火灾识别结果的前端可视化界面。该方法中的模型具有良好的鲁棒性和泛化能力，边缘计算在火灾森林检测中的应用进一步提高了火灾检测的速度，为森林火灾检测提供了新的途径。
[10] Lightweight Person Re-Identification for Edge Computing
Backgrounds: 行人检测
Motivation：大多数流行的模型主要是为云计算环境设计的，这带来了复杂性，限制了它们在边缘计算场景中的有效性。
Approach：本文提出了注意力知识辅助蒸馏轻量级网络 （ADLN），这是一种专为边缘计算而设计的网络架构。
共同目的：提高实时性和准确度。提高实时性的途径有资源占用量、时延等，提高准确度的就是提升AP。
