面向 IoT 边缘设备的实时行人检测：轻量级深度学习方法
人工智能
2024-09-25 v1 计算机视觉与模式识别
网络与互联网体系结构
摘要
人工智能（AI）已成为我们日常生活中不可或缺的组成部分。计算机视觉已发展至能够在智能交通系统中承担安全关键角色——检测路口行人并警示车辆潜在碰撞风险。中心化计算分析摄像头画面并生成警报供附近车辆使用。然而，实时应用面临延迟、数据传输速度受限以及生命损失风险等挑战。边缘服务器为实时应用提供了潜在解决方案，提供本地计算和存储资源，实现更低的响应时间。然而，边缘服务器的处理能力有限。轻量级深度学习（DL）技术使边缘服务器能够利用压缩深度神经网络（DNN）模型。本研究探索在人工智能物联网（AIoT）边缘设备上实现轻量级 DL 模型。部署基于 You Only Look Once（YOLO）的优化 DL 模型进行实时行人检测，检测事件通过消息队列遥测传输协议（MQTT）发送至边缘服务器。仿真结果表明，优化后的 YOLO 模型能够实现实时行人检测，推理速度为 147 毫秒，帧率为 2.3 帧/秒，准确率达 78%，显著优于基准模型。
引用
@article{arxiv.2409.15740,
title = {Real-Time Pedestrian Detection on IoT Edge Devices: A Lightweight Deep Learning Approach},
author = {Muhammad Dany Alfikri and Rafael Kaliski},
journal= {arXiv preprint arXiv:2409.15740},
year = {2024}
}
备注
10 pages, 3 tables, 12 figures, article submitted to IEEE for possible publication