当采用Serverless架构部署边缘智能应用时，面临冷启动时间长、资源利用率低的问题，需要设计高效的边缘服务部署机制，以降低冷启动延迟并提升资源利用率。

资源受限的边缘场景中的持续学习面临内存开销激增和数据、模型争用问题，本研究旨在有限内存下实现动态模型扩展和合理数据分配，以支撑高效、长期的持续学习。

主要包含面向异构处理器的并行推理和基于DVFS的高效节能推理，分别从推理延迟和推理能耗研究，提高移动端端侧模型推理的性能。

高效自适应轻量化模型部署旨在面对应用、需求、软件框架和硬件设备纷繁多样的边缘环境，提高模型适应效率

使用 FPGA 的硬件可重构能力，在硬件层面完成软件算法的优化，以实现高吞吐量和出色性能功耗比，满足实时应用的低延迟需求。

边缘数据与模型的协同缓存及查询策略，旨在降低延迟、缓解拥塞，并提升边缘服务器的资源利用率与系统整体效能。

Satellite Edge Computing，即卫星边缘计算，它将计算能力下沉至卫星端，就近处理数据，减少传输延迟，提升星地协同效率与数据处理时效性。

Super Resolution（超分辨率）是一种图像 / 视频处理技术，通过算法从低分辨率数据重建出高分辨率内容，提升画面清晰度与细节。

MoT 即多目标跟踪（Multiple Object Tracking），是对视频场景中多个目标的运动轨迹进行实时跟踪的技术，助力动态场景分析与决策。

作为一种深度神经网络架构，Multi-exit DNN 通过设置多个中间输出出口，根据任务需求灵活选择退出，实现效率与精度的平衡。

计算卸载是一种资源优化策略，将设备端计算任务卸载至云端或边缘服务器处理，能够有效降低设备负载，提升运算效率与资源利用率。

联邦学习是一种分布式训练框架，各参与设备本地更新模型，仅上传梯度或参数，实现强隐私保护与协同智能化。

从通信高效型的模型切分、面向长序列的内存和缓存管理以及经济高效的批量推理框架等三个方面开展大模型推理优化研究。