clasificación de imágenes en sistemas embebidos...
Post on 26-Sep-2018
233 Views
Preview:
TRANSCRIPT
Clasificación de imágenes en sistemas embebidos usando redes neuronales
Carrera de Especialización en Sistemas Embebidos
Universidad de Buenos Aires
Ing. Julio Gastón Coccé
Director: Ing. Juan Manuel Cruz
Codirector: Esp. Ing. Alejandro Celery
Jurados:Esp. Ing. Patricio BosEsp. Ing. Franco BucafuscoEsp. Ing. Nicolás Dassieu Blanchet
Agenda
• Motivación y objetivos
• Redes neuronales
• Sistema empleado
• Modelos utilizados
• Resultados
• Conclusión
• Demostración práctica
2
Motivación
Dispositivos que podrían fabricarse en Argentina
3
• Medicina
• Agroindustria
• Vehículos robóticos autónomos
5
Motivación
¿Es posible prototipar una solución usando las placas existentes en el mercado?
ARM Cortex-A7 Quad-Core ARM Cortex-A53 Quad-Core
Objetivos
• Imágenes clasificables en dos categorías.
• Lograr un acierto mayor al 80%.
• Establecer criterios con respecto a la memoria RAM y el tiempo de clasificación.
• Determinar la factibilidad de aplicar en sistemas embebidos.
6
8
Redes Neuronales Convolucionales
Capa convolucional
EntradaFiltrosSalida
3x32x326x3x5x56x28x28
Filtro
Modelos utilizados
13
AlexNet
• Modelo que ganó el concurso ImageNet de 2012 con imágenes de gran resolución.
• 1.2 millones de imágenes de entrenamiento.
• Mil categorías de clasificación.
• Cerca del 85% de acierto en la predicción.
Alex Krizhevsky
Resultados
15
Capa Elementos Memoria
Data 300x300 351 KB
Conv1 145x145x50 4107 KB
Sub1 73x73x50 1047 KB
Conv2 35x35x50 240 KB
Sub2 18x18x50 64 KB
Conv3 7x7x50 10 KB
Sub3 4x4x50 3 KB
V1 800 3 KB
V2 500 2 KB
Total 5,4 MB
Filtros Elementos Memoria
Conv1 50x11x11x1 24 KB
Conv2 50x5x5x50 244 KB
Conv3 50x5x5x50 244 KB
W1 800 x 500 1563 KB
W2 500 x 2 2 KB
Total 2 MB
Memoria modelo árboles
Parámetros
Resultados
16
Capa Tiempo Orange Pi
Tiempo Raspberry
Conv1 113,3 ms 87,0 ms
Sub1 39,0 ms 28,6 ms
Conv2 58,8 ms 43,8 ms
Sub2 2,0 ms 1,6 ms
Conv3 2,5 ms 2,0 ms
Sub3 0,23 ms 0,19 ms
Ip1 5,0 ms 2,5 ms
Ip2 0,1ms 0,1ms
Total 221 ms 166 ms
Tiempos del modelo árboles
Resultados
17
Modelo Categorías Acierto Tiempo Orange Pi
Tiempo Raspberry
Parámetros
Árboles 2 84% 220 ms 167 ms 2 MB
AlexNet 1000 85% 732 ms 549 ms 238 MB
Comparativa de modelos
Conclusiones
• Es posible prototipar una solución con placas de bajo costo.
• Se pueden lograr tiempos de clasificación aceptables con un acierto superior al 80%.
• Hay margen de mejora a partir de mejorar el modelo o aprovechar las instrucciones SIMD de los procesadores.
18
top related