相关实验视频
Updated: May 2, 2026
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
9.0K
节能边缘和云图像分类与多水库回声状态网络和数据处理单元
E J López-Ortiz1, M Perea-Trigo2, L M Soria-Morillo2
1Department of Computer Science and Artificial Intelligence, Universidad de Sevilla, Avda. Reina Mercedes, s/n, 41004 Sevilla, Spain.
Sensors (Basel, Switzerland)
|June 19, 2024
概括
多水库回声状态网络 (MRESN) 为资源有限的设备提供高效,轻量级的解决方案. 这些模型可以为图像分类和天气预报等应用程序提供持续的设备培训.
科学领域:
- 人工智能的人工智能
- 机器学习 机器学习
- 边缘计算 边缘计算
背景情况:
- 物联网 (IoT) 和云/边缘计算的普及,需要为资源有限的设备提供高效的模型.
- 传统的深度学习模型 (例如,CNN) 是计算密集型的,限制了它们在数据处理单元 (DPU) 等设备上的部署.
- 反响状态网络 (ESN) 在储库计算中提供了一个计算效率高的替代方案.
研究的目的:
- 调查基于ESN的架构的有效性,特别是多水库ESN (MRESN),用于图像分类和天气预报.
- 评估MRESN是否适合在资源有限的硬件上部署,例如DPU和家庭站.
- 突出边缘计算中轻量级模型在效率和可持续性方面的潜力.
主要方法:
- 使用了包括MNIST,FashionMnist和CloudCast在内的基准数据集进行性能评估.
- 实施并评估了多水库ESN (MRESN) 架构.
- 专注于评估计算效率,培训时间和模型适应性.
主要成果:
- 在图像分类和天气预报任务中,MRESN架构表现出强的表现.
- MRESN 证明适合在 DPU 和家庭电台上部署,展示了其轻量级的特性.
- MRESN 的动态适应性促进了设备上的持续训练,消除了对静态预训练模型的需求.
结论:
- 像MRESN这样的轻量级模型对于高效和可持续的云计算和边缘计算应用至关重要.
- 在资源有限的环境中,MRESN为传统的深度学习模型提供了多功能和高性能的替代方案.
- 这项研究通过展示MRESN架构的实际应用和可扩展性来推进高效计算.
