移动边缘云中基于实时分布式推理的身份感知属性识别

随着深度学习技术的发展，属性识别与行人重识别（re-ID）通过在云数据中心执行计算密集型深度神经网络而受到广泛关注并持续取得进展。然而，由于回程网络的高延迟以及从摄像头到数据中心的大量数据传输，数据中心部署无法满足属性识别与行人重识别的实时性要求。因此，一种可行的方案是在摄像头邻近处部署移动边缘云（MEC）并实现分布式推理。本文在支持MEC的摄像头监控系统中设计了用于行人属性识别与重识别的新型模型，并研究了支持MEC的摄像头网络中的分布式推理问题。为此，我们首先提出了一个包含一组分布式模块的新型推理框架，联合考虑属性识别与行人重识别。接着，针对具有不确定性的动态支持MEC的摄像头网络，我们设计了一种基于学习的算法用于所提分布式推理框架各模块的分布。最后，我们通过真实数据集的仿真以及真实测试床中的系统实现来评估所提算法的性能。评估结果表明，所提基于分布式推理框架的算法性能良好，属性识别与行人识别准确率分别达到92.9%和96.6%，并且相比现有方法将推理延迟显著降低至少40.6%。