Page 81 - 《软件学报》2020年第9期

2702 Journal of Software 软件学报 Vol.31, No.9, September 2020

Fig.10 SiamFC and SiamFC_Split algorithm performance test chart (model partialoffload)
图 10 SiamFC 和 SiamFC_Split 算法性能测试图(模型部分卸载)

由于目标追踪任务对实时性要求较高,且追踪目标的运动和变化通常具有平滑特性,至少为局部平滑,即通
常情况下,相邻两帧中,物体位置相近且外观相似,因此,通常基于上一帧位置截取 1.5~2 倍大小目标区域进行检
测,从而避免对整张图像进行运算,提升了模型的计算速度.此外,目标追踪算法处理追踪目标尺度变化的一个
主要方法,是以上一帧中目标所在位置为中心,在当前帧中提取多个不同尺度的图片区域进行检测匹配,选择响
应程度最高的尺度作为追踪目标.因此,可以通过调节预处理操作中截取区域的大小和数量,以降低信息传输
量,从而降低信息传输时间.
相同计算任务进行划分后,测试并记录终端节点与边缘云计算任务处理时间(图 11)以及终端节点和边缘
节点进行特征提取时间(图 12).可以看出:利用边缘云处理计算压力较大的特征提取任务,可以有效降低计算任
务处理时间.

Fig.11 Computing task processing time Fig.12 Feature extraction time comparison chart
in complete offloading strategy of neural network model
图 11 神经网络模型完整卸载策略中计算任务处理时间 图 12 特征提取时间对比图

图 13 为相同计算任务的总处理时间,图 14 为数据传输时间.实验结果表明:将部分计算压力较小的计算任
务本地运行,与所有任务完全卸载至边缘云计算,总处理时间基本相同.此外,由于原始数据经预处理后,中间结
果相比原始数据量小,因此传输时间更低.
相同计算任务处理及信息传输总时间如图 15 所示:任务分割后,终端节点与边缘云协同处理时间约 31ms,
相比完全卸载至边缘云处理(约 38ms),可以更快地完成相同计算任务,速度提升超过 15%.追踪任务总体计算时
间测试结果如图 16 所示,可以看出,任务分割后总体处理时间明显低于完全由终端节点处理所用时间.