قطعه بندی معنایی تصاویر هوایی و محاسبات لبه در اینترنت اشیاء

رایانش ابری یکی از بزرگترین فرآیندهای محاسباتی عصر دیجیتال است که شامل ارائه منابع محاسباتی از طریق اینترنت می شود. امروزه به طور فزاینده ای، دستگاه هایی که به خدمات ابری دسترسی دارند، اعم از تجهیزات اینترنت اشیاء که داده ها را برای تجزیه و تحلیل آنلاین انتقال می دهند، افزایش پیدا کرده است. از طرفی زیرساخت ابری سنتی برای مدیریت چنین حجم عظیمی از داده ها طراحی نشده است و حجم زیادی از داده های تولید شده از تجهیزات سیار و حسگرها، ظرفیت شبکه موجود را بیش از حد اشغال کرده و منجر به تاخیر در پاسخ دهی و چالش های امنیتی خواهند شد. محاسبات لبه یک مدل محاسباتی مبتنی بر قرارگرفتن منابع پردازشی و ذخیره سازی نزدیک به محل تولید داده برای بهبود زمان پاسخ دهی، صرفه جویی در پهنای باند و حفظ حریم خصوصی است. در این مقاله از دو مدل شبکه عصبی عمیق PSPNet و U-Net برای استخراج ویژگی از تصاویر هوایی نواحی سیل زده و نیز دو شبکه رمزگذار ResNet۵۰ و MobileNet استفاده شده تا با پیاده سازی ترکیبی آنها بر روی یک سیستم تعبیه شده کم مصرف، بررسی میزان حافظه مصرفی و زمان اجرای فرآیند استنتاج از طریق محاسبات لبه مبتنی بر GPU انجام شود. معیار MIoU برای ارزیابی هر ترکیبی از مدل شبکه عصبی و رمزگذار بکارگرفته شده است.

کلیدواژه ها:

هوش مصنوعی ، یادگیری عمیق ، محاسبات لبه ، قطعه بندی تصاویر