Grad-FEC：协作智能中深度特征的不等丢失保护
图像与视频处理
2023-07-06 v1 计算机视觉与模式识别
摘要
协作智能（CI）将人工智能（AI）模型划分为两部分：部署在边缘设备的前端和部署在云端的后端。前端产生的深度特征张量通过通信信道传输至云端，该信道可能出现丢包。为解决此问题，本文提出一种通过不等丢失保护（ULP）增强CI系统在丢包情况下韧性的新方法。所提ULP方法包含一个特征重要性估计器，用于估计前端产生的特征包的重要性，然后有选择地对重要包应用前向纠错（FEC）码进行保护。实验结果表明，所提方法能显著提升CI系统在丢包情况下的可靠性与鲁棒性。
引用
@article{arxiv.2307.01846,
title = {Grad-FEC: Unequal Loss Protection of Deep Features in Collaborative Intelligence},
author = {Korcan Uyanik and S. Faegheh Yeganli and Ivan V. Bajić},
journal= {arXiv preprint arXiv:2307.01846},
year = {2023}
}
备注
5 pages, 6 figures, IEEE ICIP 2023