Efficient Semantic Segmentation on Edge Devices

要約

セマンティック セグメンテーションは、画像の各ピクセルをクラスに割り当てるためのコンピューター ビジョン アルゴリズムで機能します。
セマンティック セグメンテーションのタスクは、正確さと効率の両方で実行する必要があります。
既存のディープ FCN のほとんどは、重い計算を必要とし、これらのネットワークは非常に電力を消費するため、ポータブル デバイスでのリアルタイム アプリケーションには適していません。
このプロジェクトでは、現在のセマンティック セグメンテーション モデルを分析して、これらのモデルを壊滅的なイベント時の緊急対応に適用する可能性を探ります。
リアルタイムのセマンティック セグメンテーション モデルのパフォーマンスを、反対の設定の下で航空画像によって制約された非リアルタイムの対応モデルと比較します。
さらに、ハリケーン ハービーの後にキャプチャされた UAV 画像を含む Flood-Net データセットでいくつかのモデルをトレーニングし、浸水した建物と浸水していない建物、または浸水した道路と浸水していない道路などの特別なクラスでそれらの実行をベンチマークします。
このプロジェクトでは、リアルタイムの UNet ベースのモデルを開発し、そのネットワークを Jetson AGX Xavier モジュールに展開しました。

要約(オリジナル)

Semantic segmentation works on the computer vision algorithm for assigning each pixel of an image into a class. The task of semantic segmentation should be performed with both accuracy and efficiency. Most of the existing deep FCNs yield to heavy computations and these networks are very power hungry, unsuitable for real-time applications on portable devices. This project analyzes current semantic segmentation models to explore the feasibility of applying these models for emergency response during catastrophic events. We compare the performance of real-time semantic segmentation models with non-real-time counterparts constrained by aerial images under oppositional settings. Furthermore, we train several models on the Flood-Net dataset, containing UAV images captured after Hurricane Harvey, and benchmark their execution on special classes such as flooded buildings vs. non-flooded buildings or flooded roads vs. non-flooded roads. In this project, we developed a real-time UNet based model and deployed that network on Jetson AGX Xavier module.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google