Page 83 - 《软件学报》2020年第9期

2704 Journal of Software 软件学报 Vol.31, No.9, September 2020

从图中可以看出:对于不搭载 GPU 的终端节点设备,即使处理单层神经网络模型卷积运算,仍存在较大计
算压力.然而对于目前多数已搭载轻量级 GPU 或 NPU 的移动设备或可穿戴设备,将神经网络模型部分计算任务
分配至本地 GPU 计算以避开网络高延迟时段,仍是值得考虑的部署策略.
(4) 运动检测及响应图重建策略测试
为验证运动检测和响应图重建策略对于整体处理时间的影响,对两种策略进行实验测试.
实验测试结果如图 18 所示(算法 1 表示通过指数运算重建,算法 2 表示平移重建),从运动测试结果可以看
出:运动检测时间较短,仅需 2ms 左右.响应图重建测试中,对应 30 个极值点,采用指数运算进行响应图重建需要
耗时 679ms,采用平移重建仅需 2.3ms,速度提升 300 倍.为提升算法鲁棒性,同时降低信息传输量以保证数据传
输低延迟,对响应图中的极值点进行阈值过滤,仅保留高于一定阈值的极值点进行传输,因此极值点数量一般不
会超过 30.从实验结果可以看出,重建策略对整体性能几乎无影响.

算法 1:指数重建
算法 2:平移重建

(a) 运动检测时间 (b) 响应图重建时间
Fig.18 Motion detection time and response graph reconstruction time
图 18 运动检测时间和响应图重建时间

(5) 终端节点计算资源占用率测试
嵌入式端的资源消耗与任务分割策略密切相关.实验中,对终端节点的计算资源消耗情况进行了测试.实验
结果如图 19 和图 20 所示.
从图 19 中可以看出:神经网络模型的计算任务对嵌入式端的资源占用较大,神经网络模型部分卸载和完整
卸载策略均降低了终端节点的计算资源占用率.在部分卸载策略中,若嵌入式终端设备搭载 GPU 或 NPU 等处理
器,应该可以更大程度地降低本地 CPU 占用率,同时降低计算任务的整体响应时间.

Fig.19 CPU occupancy rate of terminal nodes under different deployment strategies
图 19 不同部署策略下终端节点 CPU 占用率