面向语义分割延迟最小化的计算机视觉分割学习
计算机视觉与模式识别
2024-12-20 v1 人工智能
分布式、并行与集群计算
信息论
机器学习
math.IT
摘要
本文提出了一种新颖的方法，利用分割学习（SL）最小化语义分割中的推理延迟，以满足资源受限设备上实时计算机视觉（CV）应用的需求。语义分割对于自动驾驶和智能城市基础设施等应用至关重要，但由于高计算和通信负载，面临着显著的延迟挑战。传统的集中式处理方法在此类场景中效率低下，常常导致不可接受的推理延迟。SL通过将深度神经网络（DNN）分割在边缘设备和中央服务器之间，提供了一种有前景的替代方案，实现了本地化数据处理并减少了需要传输的数据量。我们的贡献包括对带宽分配、边缘设备DNN的切层选择以及中央服务器处理资源分配的联合优化。我们研究了并行和串行数据处理场景，并提出了低复杂度的启发式解决方案，在降低计算需求的同时保持接近最优的性能。数值结果表明，我们的方法有效减少了推理延迟，展示了SL在动态、资源受限环境中改进实时CV应用的潜力。
引用
@article{arxiv.2412.14272,
title = {Split Learning in Computer Vision for Semantic Segmentation Delay Minimization},
author = {Nikos G. Evgenidis and Nikos A. Mitsiou and Sotiris A. Tegos and Panagiotis D. Diamantoulakis and George K. Karagiannidis},
journal= {arXiv preprint arXiv:2412.14272},
year = {2024}
}