TMAV：基于MPSoC中CNN的视频静态时序分析

分析视频进行交通分类是智能交通系统的重要支柱。然而，由于每帧的表示可能在短时间内显著变化，基于图像帧分析和预测交通是困难的。这也会不准确地表示较长时间段（如视频）内的交通情况。我们提出一种新颖的受生物启发的方法，集成视频前序图像帧的分析来表示当前图像帧的分析，如同人类基于过往经验分析当前情境。在我们提出的方法（称为IRON-MAN，集成理性预测与静态分析）中，我们在视频中逐帧图像分析之上利用贝叶斯更新，这在大多数所选测试用例中实现了高度准确的视频时序静态分析（TMAV）预测。所提方法可用于使用卷积神经网络（CNN）的TMAV，适用于图像中物体数量为预测决定因素的应用，结果还表明我们提出的方法在所选择的测试用例上优于最先进水平。我们还引入了一种新指标，每训练图像能耗（ECTI）。由于不同的基于CNN的模型具有不同的训练能力和计算资源利用率，某些模型比其他模型更适合嵌入式设备实现，ECTI指标有助于评估在 multiprocessor systems-on-chips（MPSoC）中使用CNN模型的适用性，重点关注使用这些MPSoC的嵌入式设备的能耗与寿命可靠性。