[发明专利]一种基于任务复杂度的高能效目标检测任务动态调度方法

说明书

一种基于任务复杂度的高能效目标检测任务动态调度方法，利用神经网络对任务的复杂度进行评估，通过对手机的当前状态以及用户的需求进行加权处理，从而判断出满足用户需求的目标检测模型以及云端平台，当用户提交目标检测任务时，本发明根据任务的复杂度、手机当前的状态、用户的需求对任务进行卸载，在网络良好的情况下通过将计算密集的目标检测任务卸载到云端执行，可以大幅的减少手机端的计算压力以及能耗；而在网络都不好的情况下，通过调用手机端本地的小模型也能减少手机端的能耗，利用本发明可以在提供一定的用户体验并且保持目标检测模型精度的情况下，大幅降低手机端的能耗压力。

技术领域

本发明属于计算机技术领域，特别涉及一种基于任务复杂度的高能效目标检测任务动态调度方法。

背景技术

大多数基于CNN的目标检测模型仅适用于推荐系统。例如，通过慢速精确模型执行通过城市摄像机搜索空闲停车位的过程，而汽车碰撞警告则与快速不精确模型有关。提高实时目标检测模型的准确性，不仅可以将它们用于提示生成推荐系统，还可以用于独立的流程管理和减少人工输入。常规图形处理单元(GPU)上的实时对象检测器操作允许它们以可承受的价格进行大量使用。最精确的现代神经网络不能实时运行，并且需要大量的GPU来进行大批量的训练。更进一步的精度需求催生了更大更深的目标检测模型。然而在移动端部署大规模的目标检测模型不仅在时间上的开销很大，而且在能耗上的开销很大。近些年来有很多针对深度目标检测模型的改进被提出，然而这些模型相比于计算能力弱小的移动设备依然是庞然大物。

近年来，针对移动端设计的轻量级神经网络越来越受欢迎，设计深度神经网络架构以在精度和效率之间取得最佳折衷一直是一个活跃的研究领域。新颖的手工结构和算法神经体系结构搜索在推进该领域方面都发挥了重要作用。通过这些设计技术，一些针对移动平台所设计的轻量级的神经网络发挥了巨大的作用。然而相比于深度神经网络，这些轻量级的神经网络在精度上难以令人满意。此外，这些神经网络不能保证针对任何移动端的架构都能达到最优的结果。

因此需要一种在保持精度的同时即能够适用于任何移动平台，又能降低移动端的推理代价的方法。

发明内容

为克服上述现有技术的不足，本发明的目的在于提供一种基于任务复杂度的高能效目标检测任务动态调度方法，具有能在维持精度的同时降低移动平台能耗的优点。

为实现上述目的，本发明提供了如下技术方案：

一种基于任务复杂度的高能效目标检测任务动态调度方法，当用户提交一个目标检测任务时，根据当前用户所处的状态以及任务的复杂度，选择出合适的任务卸载策略，其特征在于，包括以下步骤：

步骤S1，利用opencv库获取用户所提交的任务的复杂度C_x，并通过任务的复杂度，给出所支持的第i个目标检测模型对用户所提交的任务的预测能力C_i，利用预测能力与任务的复杂度，获取出模型对任务的预计分数S_i；

步骤S2，利用当前移动端的网络状况，通过对网络状态进行建模，分别计算出将任务卸载到不同的服务器端Cloud_i所产生的通信时长以及通信能耗

步骤S3，计算在不同的平台上运行不同模型所需要的计算能耗E_i以及计算时间T_i，并根据用户的不同需求产生不同的权重，产生最终在不同平台上不同模型对任务的加权得分其中α,β,γ是根据用户设置调整的权重数值，F是relu函数，f是sigmoid函数，G是以自然常数为底的对数函数，预计分数S_i通过步骤S1得出，通信时长与通信能耗通过步骤S2得出，计算能耗E_i与时长T_i通过本步骤计算出，最终选择加权得分最大的策略作为最终策略。

所述步骤S1又包括以下步骤：