RE-POSE：基于强化学习的分区与卸载协同框架用于边缘目标检测
计算机视觉与模式识别
2025-01-17 v1 人工智能
分布式、并行与集群计算
摘要
目标检测在智能视频分析中发挥着关键作用，广泛应用于自动驾驶、安防以及智慧城市等场景。然而，由于边缘设备计算资源有限以及深度神经网络(DNN)基于检测模型对高分辨率视频的高要求，实现边缘端的实时目标检测面临着显著挑战。传统策略，如输入下采样和网络上调，往往以牺牲检测精度来换取更快的性能，或导致更高的推理延迟。为此，本文引入RE-POSE框架，采用强化学习驱动的分区与边缘卸载策略，以优化资源受限边缘环境下的精度-延迟权衡。该方法包含基于对象分布和DNN计算特性的强化学习驱动动态聚类算法(RL-DCA)，用于将视频帧划分为非均匀块；同时实现并行的边缘卸载方案，将这些块分布到多个边缘服务器上进行并发处理。实验评估表明，RE-POSE显著提升了检测精度并降低了推理延迟，超越了现有方法。
引用
@article{arxiv.2501.09465,
title = {RE-POSE: Synergizing Reinforcement Learning-Based Partitioning and Offloading for Edge Object Detection},
author = {Jianrui Shi and Yong Zhao and Zeyang Cui and Xiaoming Shen and Minhang Zeng and Xiaojie Liu},
journal= {arXiv preprint arXiv:2501.09465},
year = {2025}
}