少女祈祷中...

[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。