本研究提出RE-POSE框架，旨在解决边缘设备实时物体检测中的计算资源限制和深度神经网络的高需求问题。通过强化学习驱动的动态聚类算法，优化了检测精度与延迟，并采用并行边缘卸载方案，显著提高了检测精度，减少了推理延迟，性能优于现有方法。

本研究提出了一种名为CorrDiff的自适应延迟感知检测器，旨在解决实时物体检测中的延迟问题。该方法通过利用时间线索预测目标位置，有效补偿通信和计算延迟，从而提升自动驾驶等应用的安全性和可靠性。实验结果表明，该方法在各类设备上表现优越。

本研究通过优化YOLOv7算法，减小模型参数和内存使用，简化网络架构，提高实时物体检测能力。实验结果显示，改进的YOLO模型在保持准确度的同时，显著提高处理速度。