قطعه‌بندي معنايي تصاوير هوايي و محاسبات لبه در اينترنت اشياء

Semantic segmentation of aerial images and edge computing in Internet of Things

رايانش ابري يكي از بزرگترين فرآيندهاي محاسباتي عصر ديجيتال است كه شامل ارائه منابع محاسباتي از طريق اينترنت مي شود. امروزه به طور فزاينده‌اي، دستگاه‌هايي كه به خدمات ابري دسترسي دارند، اعم از تجهيزات اينترنت اشياء كه داده‌ها را براي تجزيه و تحليل آنلاين انتقال مي‌دهند، افزايش پيدا كرده است. از طرفي زيرساخت ابري سنتي براي مديريت چنين حجم عظيمي از داده ها طراحي نشده است و حجم زيادي از داده‌هاي توليد شده از تجهيزات سيار و حسگرها، ظرفيت شبكه موجود را بيش از حد اشغال كرده و منجر به تاخير در پاسخ‌دهي و چالش‌هاي امنيتي خواهند شد. محاسبات لبه يك مدل محاسباتي مبتني بر قرارگرفتن منابع پردازشي و ذخيره‌سازي نزديك به محل توليد داده براي بهبود زمان پاسخ دهي، صرفه‌جويي در پهناي باند و حفظ حريم خصوصي است. در اين مقاله از دو مدل شبكه عصبي عميق PSPNet و U-Net براي استخراج ويژگي‌ از تصاوير هوايي نواحي سيل‌زده و نيز دو شبكه رمزگذار ResNet50 و MobileNet استفاده شده تا با پياده‌سازي تركيبي آنها بر روي يك سيستم تعبيه‌شده كم مصرف، بررسي ميزان حافظه مصرفي و زمان اجراي فرآيند استنتاج از طريق محاسبات لبه مبتني بر GPU انجام شود. معيار MIoU براي ارزيابي هر تركيبي از مدل شبكه عصبي و رمزگذار بكارگرفته شده است.