边缘智能计算与智能边缘计算

权威机构预测,到2020年,世界上的物联网设备数量将超过200亿台。这些设备小到一些基本的传感器节点,只负责记录传感数据并提交用以支撑云端计算的数据;大到一些基站等边缘节点,能够处理和分析传入的信息,在本地利用有限的资源进行一些简单的任务。在这样的设备规模下,传统的云计算架构已无法满足如此大量的计算任务,边缘计算由此诞生。

边缘计算和深度学习之间的交融

随着网络终端的不断普及与互联网应用的快速发展,当今网络不仅要应对日益增长的传输流量,也要满足用户多样化的需求指标。云计算在诸如服务延迟与传输开销等方面难以适应趋势,边缘计算(Edge Computing)则将运算资源从云下移到了网络边缘,并通过就近处理数据的方式提升性能。作为人工智能的主要代表之一,深度学习一方面可以被集成到边缘计算的框架中以构建智能边缘,另一方面也能以服务的形式部署在边缘上从而实现边缘智能。本文从边缘计算与深度学习融合的趋势出发,介绍"边缘智能"与"智能边缘"的概念与应用场景,并说明典型的使能技术及其相互联系。

基于低秩稀疏矩阵分解的非接触心率估计

心率检测作为一项重要的生理检测指标,在医学健康、刑侦检测、信息安全等方面具有重要应用。计算机视觉领域近期的研究表明,心率信号可以通过摄像头捕捉的视频予以获取。现有的研究方法在理想的实验环境下已取得较好的效果,然而在自然状态面部旋转以及出现各种噪声(阴影、遮挡)时鲁棒性较弱。通过检测人脸的关键点,获得面部区域的感兴趣,避免因面部旋转引入检测误差,在现有模型的基础上提出一种基于低秩稀疏矩阵分解的非接触式心率估计模型,对频域血液体积脉冲(BVP)信号矩阵实现去噪处理,解决使用摄像头非接触式获取心率信号时存在的问题。实验显示,该模型在MAHNOB-HCI数据集上实现了3.25%的误差比均值,优于现有的模型。