Page 85 - 《软件学报》2020年第9期

2706 Journal of Software 软件学报 Vol.31, No.9, September 2020

理时间.此外,对于搭载异构处理单元的设备,根据不同处理单元计算性能及优势,训练多个小模型以部署在不
同处理单元,最后对多个模型进行集成,或对具体算法模型拆分,分配不同处理单元计算以进一步优化等,在今
后的研究工作中,会进行更多探索尝试.

核
数据预处理 裁剪及缩放等 响应图
conv1 bn relu max pool conv2 bn relu max pool conv3 bn relu conv4 bn relu conv5 conv

特征

向量1
向量2

编码 传输数据 解码
Fig.21 Schematic diagram of feature map parameter quantization scheme
图 21 特征图谱参数量化方案示意图

4 结束语

由于目标追踪任务对于实时性的严苛要求,使得移动嵌入式设备难以部署计算压力较大的算法模型.本文
结合边缘计算技术,提出一种研究面向边缘计算的目标追踪应用部署策略,通过任务分割策略对计算任务进行
划分,并将其合理分配至边缘云端及本地终端节点进行处理,通过协同处理等方式,提高资源的整体利用率,降
低任务响应时间.此外,采用响应图重建策略降低信息传输时间,并结合运动检测算法,进一步降低终端节点计
算压力,避免不必要计算资源浪费,降低终端节点功耗.最后,通过实验验证该部署策略的有效性.实验结果表明,
该部署策略有效降低了相同计算任务处理时间.
结合目前边缘计算和目标追踪的发展现状,可从以下几个方面进一步研究.
(1) 针对特定应用场景,对边缘云架构进行优化设计,将本地计算能力较强的节点上移边缘云层,以降低
较差网络环境对任务的影响.此时,任务卸载问题转换为多边缘情况,由此添加针对多边缘场景下的
任务卸载策略研究;
(2) 针对目前移动嵌入式设备多搭载多核异构处理器的现状,将本地计算任务进一步细分,以充分利用本
地计算资源,如 FPGA,ARM,GPU 等.结合多核异构处理器的调度策略,进一步优化本地资源分配;
(3) 添加多维度约束条件,如功耗、模型性能等,对多约束条件下的资源优化分配问题进行建模,对任务分
割策略进行更深入的研究;
(4) 结合模型压缩思想,通过参数量化、模型剪枝等策略,降低终端节点与边缘云之间的信息传输量,进而
降低计算任务的响应时间.

References:
[1] Danelljan M, Hager G, Shahbaz Khan F, et al. Convolutional features for correlation filter based visual tracking. In: Proc. of the
IEEE Int’l Conf. on Computer Vision Workshops. 2015. 58−66.
[2] Ma C, Huang JB, Yang X, et al. Hierarchical convolutional features for visual tracking. In: Proc. of the IEEE Int’l Conf. on
Computer Vision. 2015. 3074−3082. [doi: 10.1109/ICCV.2015.352]