SEC是由ACM和IEEE联合举办的边缘计算顶级会议（ACM/IEEE Symposium on Edge Computing，SEC），是全球首个以边缘计算为主题的科研学术会议。至今已举办4届，SEC 2019 于2019年11月7日至9日在美国华盛顿隆重召开。
SEC 2019论文速览系列总共有四篇，本文为第二篇。第一篇如下：边缘计算顶会SEC 2019论文速览（一），在公众号后台回复“SEC”即可下载SEC 2019全部论文，仅供学习讨论交流。感兴趣的老师同学可以点击阅读原文，了解更多关于SEC 2019 干货。
专题三：Apps (killer?) at the edge
E2M:An Energy-Efficient Middleware for Computer Vision Applications on Autonomous Mobile Robots
背景：
自主移动机器人（AMR）在行业中已得到广泛使用，以执行各种车载计算机视觉应用，包括自主指导，安全巡逻，目标检测和面部识别。AMR上的计算堆栈占总能耗的33％，这可能会严重影响机器人的电池寿命。对AMR进行充电可能会中断应用程序的执行，因此，对于有效利用可用能量以最大化电池寿命至关重要。
解决方案：
在本文中首先分析了执行AMR的计算机视觉应用程序的功率消耗的细节，并发现了效率低下的三个根本原因：对传感器数据的不协调访问，面向性能的模型推理执行以及对并行作业的不协调执行。研究人员提出了E2M，这是一种用于自动移动机器人的节能中间件软件堆栈。实验结果表明，E2M可以使计算平台节省24％的能源，在机器人运行时间上可以节省14％的额外时间，E2M为计算平台节省了24％的能源，即电池续航时间为11.5％，机器人运行时间延长14分钟，性能下降的安全性低于7.9％，准确性低于1.84％。
Managing Edge Resources for Fully Autonomous Aerial Systems
背景：
完全自主的空中系统（FAAS）可以通过软件完全执行复杂的任务。如果用户可以很好选择软件、计算硬件和飞机，则与人类相比，FAAS驾驶的无人机系统能更快，更安全地完成任务。另一方面，管理不善的边缘资源会降低任务的执行速度，浪费能源并增加成本。
解决方案：
本文提出了一种模型驱动的FAAS管理方法。研究人员进行实际的FAAS任务飞行，配置文件计算和飞机资源使用，并为预期需求建模。通过创建FAAS验证了模型的有效性，并在许多系统设置下测量了任务吞吐量。通过开源FAAS套件SoftwarePilot发布的FAAS基准，执行现实的任务：自主摄影、搜索和救援以及农业侦察。该模型错误预测为4％，对比方法产生10％到24％的错误。作者团队研究了：（1）GPU加速、扩展和横向扩展，（2）板载、边缘和云计算，（3）能源和资金预算，（4）软件驱动的GPU管理。研究发现，模型驱动的管理可以使任务量提高10倍，并将成本降低87％。
F-Cooper:Feature based Cooperative Perception for Autonomous Vehicle Edge Computing System Using 3D Point Clouds
背景：
自主车辆在很大程度上取决于因传感器的停止而影响周围环境的感知，但是，在当前的技术状态下，车辆使用的数据仅限于其自身的传感器。车辆和(或)边缘服务器之间的数据共享受到可用网络带宽和自动驾驶应用程序的严格实时约束的限制。
解决方案：
研究人员提出了一种基于云特征的协作感知框架（F-Cooper），用于连接自主车辆，以实现更好的目标检测精度。实验结果表明，穿戴设备可实现更好的目标检测结果，在20米范围内将检测性能提高10％左右，距离进一步提高30％，并且在通信延迟低的情况下实现更快的边缘计算，需要71毫秒的时间来完成某些特征选择。作者团队是第一个将功能级别的数据融合引入连接的自动车辆，目的是增强对象检测并使得自动车辆的车辆间数据的实时边缘计算可行。
I-SAFE:Instant Suspicious Activity identiFicationat the Edge using Fuzzy Decision Making
背景：
城市图像通常用作取证分析，通过设计可用于减轻事故。收集更多图像后，人们很难从成千上万个视频剪辑中确定具体事件的某些帧。研究人员希望有一个实时，主动的监视系统，该系统可以立即检测可疑人员，识别可疑活动，或提高警惕。
解决方案：
本文通过采用模糊决策在边缘（I-SAFE）上引入即时可疑活动识别来提出一种法务监视策略。针对安全人员的决策制定了模糊控制系统。根据轻量级深度机器学习（DML）模型提取的视频功能做出决策。根据一线执法人员的要求，选择并模糊化了一些功能，以应对人员决策过程中存在的不确定性状态。在边缘层次结构中使用功能可以最大程度地减少即时警报的通信延迟。此外，利用微服务体系结构，I-SAFE方案可在网络边缘增加复杂性，并具有良好的可扩展性。经测试，I-SAFE方案识别可疑活动的平均时间为0.002秒。
专题四：Mobile & Wearable Devices
RILOD:Near Real-Time Incremental Learning for Object Detection at the Edge
背景：
带摄像头边缘设备附带的目标检测模型，无法为每个用户发现感兴趣的目标。因此，增量学习能力是许多应用程序都需要使用，它是强大而个性化对象检测系统的关键功能。
解决方案：
在本文中提出了一个高效而实用的系统RILOD，以逐步训练现有的目标检测模型，从而可以检测新的目标类而又不丧失检测旧类目标的能力。研究人员已经在边缘-云和仅边缘体系下实现了RILOD。实验结果表明，系统可以在短短几分钟内学会检测新的目标类，包括数据集构建和模型训练。
Exploring the Capabilities of Mobile Devices in Supporting Deep Learning
背景：
深度神经网络（DNN）在移动设备上掀起了新的应用浪潮。这些应用程序中的大多数都依赖于使用云资源来进行深度学习。随着功能越来越强大的移动设备，用户可以在设备上执行更多的深度学习任务。此外，在设备上学习还具有重要的优势，例如个性化，隐私性和响应能力。但是，研究人员对现代移动设备支持深度学习的功能的认识通常都不够。
解决方案：
本文提供了关于在移动设备上进行训练和推理的综合研究。开发于TensorFlow+（广泛使用的TensorFlow框架的扩展），可在设备上训练DNN并使用可用的GPU来加速学习任务。该研究集中在四个方面：1）网络体系结构的性能影响； 2）使用加速器在移动设备上学习的有效性； 3）资源和电池使用量的软训练和推断。结果表明，网络的大小（宽度和深度）以及所设置的层类型至关重要。研究还表明，硬件加速对于提高学习速度和减少对设备其他应用程序的影响至关重要。
Collaborative Learning between Cloud and End Devices: An Empirical Study on Location Prediction
背景：
多年来，已提出了许多学习方法来对终端设备上的不同用户行为进行建模和预测。尽管“先学习后部署”方法在许多情况下都取得了可喜的成果，但数据异质性和可变性在将预学习模型部署到大型终端设备的方式中带来了障碍。另一方面，在智能手机等设备上的学习受到数据、计算能力和能源预算有限的困扰。
解决方案：
本文提出了Colla，这是一种用于行为预测的协作学习方法，可让云和设备集体且连续地学习。基于真实数据的评估结果表明，与集中式训练相比，Colla的预测准确性提高了21％。实验还验证了Colla的效率，表明在商用智能手机上进行的一整夜训练可以处理普通智能手机的一年数据，代价是2000兆瓦时电量和数百KB通信开销。
Towards Scalable Edge-Native Applications
背景：
延迟敏感的边缘原生应用程序可能是边缘基础架构在商业上取得成功的关键。但是，以广泛部署此类应用程序的形式取得成功会带来自身的挑战。这些应用程序的定义取决于边缘，因此，如果边缘超载，它们就不能简单地故障转移到云中。
解决方案：
研究人员提出了一种基于适应的策略，以允许在资源受限的Cloudlet和无线网络上扩展并发边缘本机应用程序的数量。通过非自适应方法论证了各种认知辅助任务上最多减少40％的减少负荷和最小影响力的延迟。面对严重的负载情况，我们的方法能够适度地降低并维持部分应用程序的服务质量。
专题五：The Bleeding Edge of Machine Learning
DeepSave:Saving DNN Inference During Handovers on the Edge
背景：
最新进展的深度神经网络（DNN）已大大提高了智能应用程序的准确性。然而，挑战之一是如何在移交期间保持服务质量以避免中断。
解决方案：
研究人员提出了DeepSave，可以对DNN模型推断进行分区并联合处理移动设备及其连接的边缘计算服务器，以节省解决方案以节省切换过程中无法处理的大部分连续视频帧。DeepSave包含两个子方案：（1）确定切换帧时应保存的帧选择方案，以最大程度地保存帧数，同时保留推理的准确性。（2）具有可改进性能限制的最后一个到达帧分割方案，在可能的切换结束之前尽可能地处理最后一个帧，以便可以在不引起拥塞的情况下正常处理切换后的到达帧。实验结果表明，DeepSave在移交过程中最多可以节省50.98％的帧。
Couper:DNN Model Slicing for Visual Analytics Containers at the Edge
背景：
基于DNN的可视化分析应用正在增长。此类数据密集型和对延迟敏感的工作负载有从新兴的计算层受益的机会。为消除DNN模型不断增长的资源需求，需要从边缘可用的基础结构元素的特征和资源限制中解脱出来。新方法快速将DNN切片成适当大小的组件，并在边缘基础架构上部署最合适的DNN。
解决方案：
本文介绍了Couper的实用解决方案，该方案可为可视化分析提供快速创建DNN切片的功能，并在基于容器的现代边缘软件堆栈中启用其部署。Coupe评估了7个生产环境下的DNN，且不改变边缘配置。
Adaptive Parallel Execution of Deep Neural Networks on Heterogeneous Edge Devices
问题：
智能家居、智能汽车和自动驾驶汽车等新应用正在使人们对在边缘设备上部署机器学习的增加兴趣。不幸的是，在资源受限的设备上部署深度神经网络（DNN）有着重大挑战。这些工作量是计算密集型，并且经常需要像云一样的资源。以前的解决方案试图通过更多的设计工作或依靠云资源来解决这些挑战。
解决方案：
本文提出了一种针对异构物联网（IoT）环境进行了优化的运行时自适应卷积神经网络（CNN）加速框架。该框架利用卷积层的融合来利用空间划分技术，并根据计算资源的可用性以及网络条件来动态选择最佳并行度。通过在无线连接的树莓派3设备上运行时能够提高推理速度和降低通信成本。实验评估发现，使用8个设备对三种流行的CNN模型进行加速，可达到1.9×〜3.7倍的速度。
Collaborative Cloud-Edge Computation for Personalized Driving Behavior Modeling
背景：
驾驶行为建模是高级驾驶员辅助系统（ADAS）的重要组成部分。现有方法通常会分析驾驶行为基础和用户隐私。
解决方案：
本文提出了pBEAM，一种用于个性化驾驶行为建模的协作云边缘计算系统。驾驶行为模型建立在生成对抗递归神经网络（GARNN）之上，该模型适应正常驾驶的动态变化。实验结果表明，提出的CGARNN-Edge在所有方法中均实现了最佳性能。
公众号后台回复“SEC”即可下载SEC 2019全部论文，仅供学习讨论交流。
SEC 2019论文速览总共有四篇，本文为第二篇。感兴趣的老师同学可以点击阅读原文，了解更多关于SEC 2019 干货。
