基于云边协同的轻量化目标检测方法
由于云计算中心拥有强大的算力与存储能力，现代智能视频监控系统基本采用中心云架构实现。但随着网络摄像头的急剧增多，视频质量不断的提升，基于中心云架构的视频监控面临越来越多的挑战。传输大量实时视频数据不仅对网络带宽要求高，并且容易导致传输的高延时，难以满足监控任务的实时性要求。基于云边协同的架构将计算能力向下延伸到传感器附近的网络边缘，为解决智能视频监控中的高带宽要求和延迟敏感问题提供了前景光明的解决方案。然而，基于深度学习的目标检测模型通常拥有参数量大、结构复杂，对计算机资源要求较高。云边协同架构中的边缘设备无法满足其部署需求。因此，本文提出了一种基于云边协同的轻量化目标检测方法，以解决传统视频监控实时数据传输量大，传输不稳定、高延时的问题。具体研究内容如下： 首先，深度卷积神经网络的泛化能力和准确性已经取得了重大的进展，在图像分类和三维重建、目标检测等机器视觉领域具有关键作用。然而，边缘设备的计算和存储资源仍然远远低于云服务器，使得此类模型很难迁移部署到资源有限的边缘设备。本文分析了DenseNet密集连接中的冗余，并在密集连接基础上提出了高效的单压缩密集连接模块（SingleCompressionDenseBlock）。以此模块构建了一个基于DenseNet的轻量化卷积神经网络，该网络在速度和精度上取得了更好的平衡，具有更大的感受野更适用于目标检测。 其次，目标检测需要从输入图像中识别和定位物体，包括分类和定位两个任务。而两者关注的特征不同，同时这些特征通常位于目标不同的区域。因此分类和回归任务存在一定的冲突。目前多数研究者利用两个独立的分支来分别执行目标分类和定位以解决冲突问题。由于两个分支都是单独训练，无法接收对方的监督信息，两者之间缺乏互动和交流，导致在预测时两个任务出现不一致、不对齐的情况。本文提出一种以注意力机制来对齐任务的检测头（AttentionGuideTask-alignedHead）。通过将通道注意力和空间注意力引入双分支检测头，来促使两个任务的对齐，提高检测精度。以上述轻量化卷积神经网络为骨干网络，结合AGT-haed，本文进一步设计了名为AT-YOLO的轻量化目标检测。在MSCOCO(MicrosoftCommonObjectsinContext)大型数据集上的实验和评估证实模型，AT-YOLO在3.47M的参数下实现了29.9%的mAP。此外，我们在实际设备上进行的推理速度实验表明，AT-YOLO取得了较好的结果。 最后，针对原始基于中心云架构智能视频监控系统中存在的问题，设计了基于云边协同的智能视频监控系统。该系统采用RaspberryPi4B——一种嵌入式计算机，作为边缘设备端。边缘设备执行视频数据的采集，部署AT-YOLO目标检测模型进行视频处理，最终将检测结果上传至云端。考虑到视频流中的冗余和提高检测效率，本文还设计了利用卷积神经网络（CNN）提取特征的关键帧提取算法，它只有0.32M的参数，可以准确和快速地筛选出关键帧。实验结果表明，我们的智能监控系统在满足实时性的要求下，只需将关键帧上传至云端，从而降低带宽需求。对于1080P视频，我们的系统只需要467.29Kbps带宽传输关键帧，而传输原始视频则需5Mbps带宽。
边缘计算;深度学习;轻量级神经网络;目标检测;智能视频监控
华东交通大学
硕士
计算机科学与技术
刘媛媛
2023
中文
TP391.41
2023-11-30（万方平台首次上网日期，不代表论文的发表时间）