移动边缘网络中的视频目标识别：本地跟踪还是边缘检测？
计算机视觉与模式识别
2025-11-27 v1 图像与视频处理
摘要
快速且精准的视频目标识别——这一依赖逐帧视频分析的技术——仍然是受资源受限设备（如交通摄像头）制约的挑战。近期的移动边缘计算进展使将计算密集型目标检测卸载至配备高精度神经网络的边缘服务器成为可能，同时轻量且快速的目标跟踪算法可在设备本地运行。这种混合方法提供了有前景的解决方案，但引入了新的挑战：何时执行边缘检测而非本地跟踪。为此，我们为单设备和多设备场景分别提出两个长期优化问题，考虑到连续帧的时间关联性以及移动边缘网络的动态条件。基于此，我们提出了单设备场景下的 LTED-Ada—a 基于深度强化学习的算法，根据帧率、识别精度和延迟要求自适应选择本地跟踪或边缘检测。在多设备场景中，我们进一步通过联邦学习增强 LTED-Ada，实现跨设备的协作式策略训练，从而提升其对未见帧率和性能需求的泛化能力。最后，我们使用多个树莓派 4B 设备和个人电脑作为边缘服务器进行大规模硬件-in-the-loop 实验，证明了 LTED-Ada 的优越性。
引用
@article{arxiv.2511.20716,
title = {Video Object Recognition in Mobile Edge Networks: Local Tracking or Edge Detection?},
author = {Kun Guo and Yun Shen and Xijun Wang and Chaoqun You and Yun Rui and Tony Q. S. Quek},
journal= {arXiv preprint arXiv:2511.20716},
year = {2025}
}