通过云协助重新思考卸载，在 LPWANs 上实现高效环境声识别

基于学习的环境声识别已成为面向生物研究和城市级感知系统中超低功耗环境监测的关键方法。这些系统通常受限于资源，常在偏远地区由能量收集供电。最近的设备端声识别努力因资源受限而面临低准确率，而云端卸载策略则因高通信成本受限。在本工作中，我们引入了 ORCA，这是一种面向 Low-Power Wide-Area Networks（LPWANs）上的电池eless 设备的资源高效云协助环境声识别系统，针对宽范围音频感知应用。我们提出的云协助策略在维持云端卸载最小化通信成本的同时，补偿设备端推断的低准确率。通过利用基于自注意力的云子谱特征选择方法促进设备端高效推断，ORCA 解决了 LPWANs 上资源受限云端卸载的三个关键挑战：1) 高通信成本和低数据速率，2) 动态无线信道条件，3) 不可靠的卸载。我们在能量收集电池eless 微控制器上实现 ORCA，并在真实的城市声测试基准中进行评估。我们的结果显示，ORCA 在能源节省上比最新方法高出最高可达 $80 \times$，在延迟降低上高出 $220 \times$，同时保持可 comparable 的准确率。