通过去噪将深度学习驱动的视觉任务从无人机卸载至 5G 边缘服务器

将计算繁重的任务从无人机（UAV）卸载到远程服务器有助于延长电池寿命，并有助于减少资源需求。基于深度学习的最先进的计算机视觉任务，如对象分割和对象检测，是计算繁重的算法，需要大量内存和计算能力。许多无人机正在使用此类算法的（预训练）现成版本。将此类功耗大的算法卸载到远程服务器可以显著帮助无人机节省电力。然而，基于深度学习的算法易受噪声影响，而无线通信系统本质上会向原始信号引入噪声。当信号代表图像时，噪声会影响图像。目前关于通信系统引入的噪声对预训练深度网络影响的研究工作并不多。在这项工作中，我们首先通过关注 5G 无线通信系统的各种参数对传输图像的影响，分析了将基于深度学习的计算机视觉任务（包括对象分割和检测）卸载的可靠性，并展示了所使用的 5G 无线通信系统引入的噪声如何降低所卸载的深度学习任务的性能。然后，引入了消除（或减少）噪声负面影响的解决方案。所提出的框架首先引入许多经典技术作为替代解决方案，然后引入一种新颖的基于深度学习的解决方案，对给定的含噪输入图像进行去噪。比较了各种去噪算法在卸载对象分割和对象检测任务上的性能。我们提出的基于深度 Transformer 的去噪器算法（NR-Net）在实验中取得了减少噪声负面影响的最先进结果。