卢敏

（西华大学计算机与软件工程学院，成都 610039）

0 引言

近年来，计算机视觉在深度神经网络模型的支持下取得了巨大成功。深度学习技术已经被广泛应用在图像分类、人脸识别、语义检测等方面。为了提高检测的准确性，网络模型的层数不断增加，网络结构越来越复杂。但是随着网络深度的不断提升，在网络模型性能提高的同时，这些网络的计算量也大大增加了。随着时代的发展，人们更加关注深度神经网络的实际应用性能，目前人工智能技术发展的一个趋势就是把高性能的神经网络模型部署在边缘设备上，然而包括传感器、智能手机和可穿戴设备等在内的边缘设备的一个重要的特点就是计算量和存储资源有限，这使得目前精度最高的模型根本无法在这些平台进行部署和达到实时运行。因此，如何将神经网络算法加速到满足工业应用要求一直是一个研究的难点。

1 边缘计算

随着城市的快速发展，移动和物联网设备生成的边缘数据大幅增长。这些数据包括多媒体信息，如图像、声音和视频，也有温度、振动和发光通量信息等结构化数据，处理这些数据需要使用复杂的多媒体技术进行大量计算。目前，可以通过将处理和存储从资源受限的设备卸载到云来解决边缘设备资源不足的限制。但是大量的数据传输到远离终端用户的大型数据中心不仅会对网络带宽造成压力，也会导致端用户和云之间有很高的通信延迟。……