面向移动设备的图像分类任务功耗优化研究

发布时间：2023-03-12 15:24

　　近年来,深度学习在图像识别领域迅猛发展,针对不同应用需求的卷积神经网络(Convolutional Neural Network,CNN)层出不穷。随着移动系统性能的迅速提升,移动用户期望更低响应延迟的图像识别应用。而由于网络状态的不稳定性及网络带宽的限制,简单的将CNN模型部署在云端的计算模式无法保证移动用户体验期望,同时,受限于移动端有限的资源,移动设备也无法满足CNN模型对计算、存储及电量资源的需求。因此,亟须设计一种新的计算模式,使得基于卷积神经网络模型的图像分类任务能够满足用户对快速响应、低能耗及高准确率的期望。本文从CNN模型的能效和分类特点出发,对CNN模型在移动端的部署及图像分类任务的调度进行研究,主要工作如下:1.针对不稳定的网络状态环境导致深度学习模型推理延迟过高的问题,本文面向智能移动终端本地执行图像分类任务的场景,结合不同卷积神经网络模型的分类特点,提出了自适应CNN模型选择策略。该策略首先分析不同模型对图像的分类结果,输入贪心算法构建基于能效的图像分类模型序列,然后将预分类算法进行排列组合形成多种备选分类方案,最后为序列中的每个图像分类模型构建与之对应的预分类...

【文章页数】：68 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
        1.2.1 图像分类模型的发展
        1.2.2 移动端的图像分类
        1.2.3 总结
    1.3 本文的主要工作
    1.4 论文组织结构
第二章 图像分类相关技术研究
    2.1 特征工程
        2.1.1 特征构建
        2.1.2 数据预处理
        2.1.3 特征选择
    2.2 传统的机器学习分类算法
        2.2.1 K.最近邻算法
        2.2.2 支持向量机
        2.2.3 Adaboost
        2.2.4 决策树
        2.2.5 随机森林
    2.3 卷积神经网络图像分类模型
        2.3.1 MobileNet
        2.3.2 ResNet
        2.3.3 Inception
    2.4 本章小结
第三章 移动设备的自适应模型选择策略
    3.1 框架概述
    3.2 推理模型的选择
        3.2.1 本地场景的搭建
        3.2.2 图像分类模型的选择
    3.3 多层次预分类模型的构建
        3.3.1 特征选择与数据处理
        3.3.2 预分类算法的选择
    3.4 实验评估与分析
    3.5 本章小结
第四章 面向边缘计算的图像分类任务调度策略
    4.1 方法概述
    4.2 推理模型的选择与部署
        4.2.1 边缘计算的环境搭建
        4.2.2 推理模型的部署
    4.3 预分类模型的构建
        4.3.1 特征选择与数据处理
        4.3.3 预分类算法的选择
    4.4 边缘场景下的调度策略
    4.5 实验评估与分析
        4.5.1 性能分析
        4.5.2 策略对比
    4.6 本章小结
总结与展望
    总结
    展望
参考文献
攻读硕士学位期间取得的科研成果
致谢



本文编号：3761464