Implementation and Performance Evaluation of a Semantic Image Segmentation System on a Mobile Device
Implementación y evaluación de rendimiento de un sistema de segmentación semántica de imágenes sobre un dispositivo móvil

Impacto

Downloads

Downloads per month over past year



Carreño Alocén, Esther (2021) Implementation and Performance Evaluation of a Semantic Image Segmentation System on a Mobile Device. [Trabajo Fin de Grado]

[thumbnail of CARREÑO ALOCÉN 85212_ESTHER_CARRENO_ALOCEN_TFG_Implementation_and_Performance_Evaluation_of_a_Semantic_Image_Segmentation_System_on_a_Mobile_Device_1006096_2000295552.pdf]
Preview
PDF
Creative Commons Attribution Non-commercial.

14MB


Abstract

There has been a growth of interest in semantic segmentation in recent times, and its employment in tasks such as autonomous driving, medical diagnosis or video surveillance is now crucial. The training and inference processes in Deep Neural Networks (DNNs) are performed in data centres, which causes unbearable latency. Edge Computing is a response to this limitation. Nevertheless, it is restricted by the computing power and energy consumption in devices.
This project proposes the implementation of algorithms for semantic segmentation of images using DeepLab and TensorFlow as a basis, along with its adaptation and throughput evaluation in terms of response time in a mobile device among different semantic segmentation models.
A Raspberry Pi was used along with a Coral USB Accelerator by Google, which provides an Edge TPU to accelerate inference in Machine Learning by quantizing the models. The final goal is to prove an efficient implementation in this low energy consumption architecture.

Resumen (otros idiomas)

En los últimos tiempos ha habido un aumento en el interés por la segmentación semántica, y su uso en tareas como la conducción autónoma, el diagnóstico médico o la videovigilancia es crucial. Los procesos de entrenamiento e inferencia en Redes Neuronales Profundas (DNNs) se realizan en centros de datos, lo que causa una latencia insostenible. El Edge Computing es una respuesta a esta limitación, pero está restringido por la potencia computacional y el consumo de energía de los dispositivos. Este proyecto propone la implementación de algoritmos de segmentación semántica de imágenes usando como base DeepLab y TensorFlow, además de su adaptación y evaluación de rendimiento según el tiempo de respuesta en dispositivos móviles entre diferentes modelos de segmentación semántica. Para ello se ha utilizado una Raspberry Pi y se ha optado por el acelerador USB Coral, de Google, que ofrece un Edge TPU para acelerar la inferencia en Machine Learning mediante la cuantización. El objetivo final es demostrar que una implementación eficiente en una arquitectura de bajo consumo energético es posible.

Item Type:Trabajo Fin de Grado
Additional Information:

Trabajo de Fin de Grado en Ingeniería Informática, Facultad de Informática UCM, Departamento de Arquitectura de Computadores y Automática, Curso 2020-2021

Directors:
Directors
Piñuel Moreno, Luis
Igual, Francisco D.
Uncontrolled Keywords:Semantic segmentation, DNNs, Edge Computing, DeepLab, Coral, Energy Efficiency, Latency, Raspberry Pi
Palabras clave (otros idiomas):Segmentación semántica, DNNs, Edge Computing, DeepLab, Coral, Eficiencia Energética, Latencia, Raspberry Pi
Subjects:Sciences > Computer science
Título de Grado:Grado en Ingeniería Informática
ID Code:68330
Deposited On:04 Nov 2021 15:31
Last Modified:04 Nov 2021 15:31

Origin of downloads

Repository Staff Only: item control page