Optimizing Edge Offloading Decisions for Object Detection

要約

機械学習とハードウェアの最近の進歩により、賞賛に値する精度でリアルタイムの物体検出を実行できる組み込みデバイスが生み出されました。
組み込みデバイスがオンボードの物体検出器に依存しているが、ローカルの精度が低すぎると思われる場合には、より強力なエッジ サーバーに検出をオフロードするオプションがあるというシナリオを検討します。
ただし、リソースの制約により、エッジにオフロードできるイメージの数は制限されます。
私たちの目標は、これらの制約の下で全体的な検出精度を最大化するためにどの画像をオフロードするかを特定することです。
この目的を達成するために、この論文では、個々の画像のオフロードによる潜在的な精度向上を定量化するように設計された報酬メトリックを導入し、ローカル検出結果のみに基づいてこの報酬を推定することでオフロードの決定を行う効率的なアプローチを提案しています。
このアプローチは、組み込みデバイス上で実行するのに十分な計算量の節約が可能であり、オフロードされた画像の割合が小さい場合でも、検出精度の向上において既存の代替手段よりも優れていることが実証結果から示されています。

要約(オリジナル)

Recent advances in machine learning and hardware have produced embedded devices capable of performing real-time object detection with commendable accuracy. We consider a scenario in which embedded devices rely on an onboard object detector, but have the option to offload detection to a more powerful edge server when local accuracy is deemed too low. Resource constraints, however, limit the number of images that can be offloaded to the edge. Our goal is to identify which images to offload to maximize overall detection accuracy under those constraints. To that end, the paper introduces a reward metric designed to quantify potential accuracy improvements from offloading individual images, and proposes an efficient approach to make offloading decisions by estimating this reward based only on local detection results. The approach is computationally frugal enough to run on embedded devices, and empirical findings indicate that it outperforms existing alternatives in improving detection accuracy even when the fraction of offloaded images is small.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google