首页边缘计算正文

适合边缘计算的算法-边缘计算的技术

边缘计算 1天前 4

接下来为大家讲解适合边缘计算的算法，以及边缘计算的技术涉及的相关信息，愿对你有所帮助。

文章信息一览：

1、Sobel边缘检测,canny边缘检测,Susan和Harris角点检测
2、边缘检测的三种算法介绍
3、什么是深度确定性策略梯度(DDPG)
4、基于深度强化学习的无线移动边缘计算网络在线计算卸载(DROO)_百度...
5、昆仑芯片的八个关键科技应用解析

Sobel边缘检测,canny边缘检测,Susan和Harris角点检测

1、总结： Sobel、Canny、Harris等方法各有其应用场景和优缺点。 Sobel边缘检测简单有效，但对噪声敏感。 Canny边缘检测精确度高，但计算复杂。 Harris角点检测在定位关键点方面表现优异，但对参数敏感。在实际项目中，应根据具体需求选择合适的方法，并考虑其优缺点进行参数调整和优化。

2、Canny算法同样用于边缘检测，相较于Sobel，它能提供更精确的边缘定位，并能有效抑制噪声，但计算量相对较大，处理速度不如Sobel。Susan和Harris算法则用于角点检测。SUSAN算法优点在于能同时检测边缘和角点，并对噪声具有较好的鲁棒性，缺点是处理速度相对较慢。

（图片来源网络，侵删）

3、SUSAN SUSAN利用局部相似性检测边缘和角点，简单高效且抗噪声，但速度较慢，适用于复杂环境下的图像分析。Harris Harris角点检测基于梯度，用于角点检测，对噪声敏感，适用于图像配准等需要检测特定点的任务。通过Python实现，我们可以看到每种算法都有其适用场景。

边缘检测的三种算法介绍

边缘检测算法是一个传统的计算机视觉问题。从传统的CV方法到引入机器学习、深度学习的方法，边缘检测经历了多阶段的发展。这里将介绍三种主要的边缘检测算法：Canny算法、Fast Edge Detection Using Structured Forests和Holistically-Nested Edge Detection（HED）。Canny算法是一种五阶段多级算法。

本文详细介绍了边缘检测技术，特别是以Canny算法为核心。首先，通过平滑空间滤波器，使用模板卷积进行图像平滑，减少噪声影响。接着，***用高斯滤波器进一步平滑图像，通过离散化高斯函数，获得适用于不同大小的高斯核。通过读取图片并转换为灰度图，然后进行卷积运算和高斯核处理，实现对图像的预处理。

（图片来源网络，侵删）

Canny 边缘检测算法主要包括以下几个步骤：高斯滤波、像素梯度计算、非极大值抑制和滞后阈值处理。高斯滤波旨在减少图像噪声，保护边缘信息不受干扰。像素梯度计算则用于识别图像中最大变化率的位置，即边缘所在。梯度计算是通过求导来确定图像中像素点的偏导数，从而得到梯度的大小和方向。

什么是深度确定性策略梯度(DDPG)

优势：结合了策略梯度和价值函数更新的优点，适用于高维连续动作空间。问题：基础版的ActorCritic算法存在收敛性问题。 DDPG算法：改进点：引入了双Actor和双Critic网络来改善ActorCritic算法的收敛性问题。核心思想：基于确定性策略梯度DPG，简化了随机策略梯度的计算。

On-policy算法中，如经典的策略梯度算法（VPG），是入门级的深度强化学习方法，它们基于实时数据直接优化策略性能，提供较好的稳定性，但可能牺牲样本效率。从VPG到TRPO再到PPO，算法不断进化，旨在提高效率与稳定性。

而A3C算法则***用了多线程并行训练框架，提高了学习效率和数据多样性，同时优化了网络结构，使得Actor和Critic可以同时输出状态价值和策略。在Actor-Critic算法中，Actor基于概率选择动作，Critic则通过评估动作的得分来优化策略。

Q-learning是强化学习的经典算法，但表格方法限制了其应用范围。DQN通过深度神经网络进行Q值的端到端拟合，解决了Q-learning的局限性，适用于低维、离散动作空间。DQN的网络结构设计考虑了游戏原始画面的像素输入，***用两层CNN和两层FNN进行处理。

在强化学习领域，确定性策略梯度算法如DDPG，专为连续动作空间设计。为扩展这些算法处理离散动作空间的能力，引入了Gumbel-Softmax技巧。本文将从强化学习角度，简要介绍为何需要以及如何使用Gumbel-Softmax。

在连续动作空间中，每个动作通常由一个或多个实数值表示，表示动作的强度或方向。例如，在控制机器人关节角度时，角度可以是任意实数值。这需要更复杂的算法，如 DPG 或 DDPG，以解决优化问题。DPG（确定性策略梯度）算法是解决连续动作空间问题的关键。

基于深度强化学习的无线移动边缘计算网络在线计算卸载(DROO)_百度...

1、本文针对这一背景，提出一种基于深度强化学习的无线移动边缘计算网络在线计算卸载算法（DROO），以优化单个无线设备的任务卸载决策、无线电力传输与任务卸载传输时间的分配，以及多个设备之间的时间分配。研究中，我们构建了一个无线供电移动边缘计算系统模型，其中接入点负责向设备传输RF能量并接收计算卸载任务。