利用生成对抗网络改进图像识别边缘缓存

图像识别在若干移动应用中是一项基本任务。例如，智能手机可处理地标照片以收集有关其位置的更多信息。若设备没有足够的计算资源，便将处理任务卸载到云基础设施。尽管该方法解决了资源短缺问题，却引入了通信延迟。互联网边缘的图像识别缓存可以缓解此问题。这些缓存运行在靠近移动设备的服务器上，并存储先前已识别图像的信息。若服务器收到包含其缓存中已存储照片的请求，便回复设备，避免云卸载。此类缓存的主要挑战在于验证接收到的图像是否与已存储图像匹配。此外，对于户外照片，若一张在白天拍摄而另一张在夜间拍摄，则难以比较。在此情况下，缓存可能错误推断它们指向不同地点，从而将处理卸载至云端。本工作表明，一种称为 ToDayGAN 的知名生成对抗网络(generative adversarial network, GAN)可通过利用夜间图像生成白天图像来解决该问题。我们由此可利用这种转换以合成照片填充缓存，从而辅助图像匹配。我们展示了我们的方案减少了云卸载，进而降低了应用延迟。