Dissertação
Hardware Acceleration of CNN-Based Image Segmentation for Fire Detection EVALUATED
A segmentação de imagens é uma tarefa importante para muitas aplicações, como vigilância, segurança, médica, entre outras. Muitas dessas aplicações precisam de ser executadas em dispositivos on-the-edge para tomar decisões em tempo real. Assim, soluções rápidas e de baixo custo são necessárias para segmentação de imagens. Uma dessas aplicações são os sistemas automáticos de detecção de incêndio para facilitar a intervenção e reduzir o custo de deslocamento dos bombeiros em caso de ocorrências falsas. Este trabalho otimiza um algoritmo de segmentação de imagens para deteção de incêndios baseado em um modelo de aprendizagem profunda (Deeplabv3+ com Modified Aligned Xception), projeta um acelerador de hardware para executar o algoritmo e implementa-o em um dispositivo de lógica reconfigurável (Xilinx Zynq UltraScale+ ZU3EG SoC FPGA). Os pesos e as ativações do modelo original foram quantizados com representações em vírgula fixa e os parâmetros de normalização foram integrados com os pesos. O modelo transformado foi de novo treinado. Este processo melhorar o desempenho do hardware sem sacrificar a precisão. O acelerador com uma quantização de 4 bits foi implementado na FPGA e integrado com o processador da FPGA. Os resultados mostram que o sistema possui uma precisão mIoU de 92,76\%, melhor que a precisão do modelo original (91,53\%) e uma taxa de processamento de 1 imagem por segundo com uma potência de 5.8 W, cumprindo os requisitos de 0,1 FPS por 10 vezes com um baixo consumo de potencia.
novembro 25, 2022, 14:0
Publicação
Obra sujeita a Direitos de Autor
Orientação
ORIENTADOR
Horácio Cláudio De Campos Neto
Departamento de Engenharia Electrotécnica e de Computadores (DEEC)
Professor Associado