檢索結果:共8筆資料 檢索策略: "edge computing".ekeyword (精準) and year="111"
個人化服務 :
排序:
每頁筆數:
已勾選0筆資料
1
分散式邊緣運算相較於雲端運算而言能夠提供較低的傳輸開銷和更高的隱私性,使用上變得越來越受歡迎。然而,每個邊緣裝置的有限運算能力以及對神經網路的高計算需求,使得分散式邊緣運算變得更加困難。在本研究中,…
2
近年來影像處理越來越依賴深度學習,不論是增加解析度、消除色偏、去除雜訊…等,但是深度學習有一個明顯的缺點,那就是需要花費人力以及時間去訓練所需要的模型,若是要提升模型效果,則需要的資料集就要增加,訓…
3
隨著穿戴式裝置和物聯網科技的發展,較小型的裝置常因體積與硬體資源的侷限,在遇到大量的運算任務時面臨困難。另一方面,若以雲端或邊緣運算的方案解決複雜運算的問題,使用者運算資料的機密性將成為一大挑戰。 …
4
多接取邊緣運算(Multi-Access Edge Computing, MEC)之工作卸載(Task Offloading)為此運算架構的重要技術,而現階段之工作卸載相關之研究大部分考量如何最小化…
5
6
近年來,由於影像處理所需的複雜計算,電腦視覺服務在實時性方面面臨挑戰。隨著人工智慧物聯網(AIoT)技術的快速發展,結合邊緣計算與AIoT的攝影機 (本研究稱為邊緣攝影機),在應用領域上取得了顯著成…
7
隨著物聯網 (IoT) 的發展,結合人工智慧的邊緣計算攝影機 (以下簡稱邊緣攝影機) 已能夠直接在邊緣端進行影像強化。近年來,已有研究採用深度神經網路進行空拍影像除霧。然而,既有的研究大多僅使用RG…
8
隨著科技產品製作技術逐漸成熟,使物聯網系統得以快速發展,其產生的龐大數據量,可使用深度神經網路處理,不過標記資料與訓練模型皆需要花費人力、時間,與運算資源,而透過轉移學習可以解決該問題。但傳統的系統…