ANÁLISIS DEL DESEMPEÑO DE REDES NEURONALES PROFUNDAS PARA SEGMENTACIÓN SEMÁNTICA EN HARDWARE LIMITADO
Segmentación semántica consiste en encontrar objetos previamente definidos en una imagen digital y se aplica en tecnologías como vehículos autónomos, interacción humano-maquina, realidad aumentada, robótica, etc. Los modelos más comunes para llevar a cabo esta forma de segmentación son las redes...
Saved in:
| Main Authors: | , , , |
|---|---|
| Format: | Article |
| Language: | English |
| Published: |
Universidad de Guadalajara
2019-10-01
|
| Series: | ReCIBE |
| Subjects: | |
| Online Access: | http://recibe.cucei.udg.mx/revista/es/vol8-no2/computacion06.pdf |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| _version_ | 1849319430771703808 |
|---|---|
| author | Oscar Alejandro Soto-Orozco Alma Delia Corral-Sáenz Claudia Elizabeth Rojo-González Juan Alberto Ramírez-Quintana |
| author_facet | Oscar Alejandro Soto-Orozco Alma Delia Corral-Sáenz Claudia Elizabeth Rojo-González Juan Alberto Ramírez-Quintana |
| author_sort | Oscar Alejandro Soto-Orozco |
| collection | DOAJ |
| description | Segmentación semántica consiste en encontrar objetos previamente
definidos en una imagen digital y se aplica en tecnologías como vehículos
autónomos, interacción humano-maquina, realidad aumentada, robótica, etc. Los
modelos más comunes para llevar a cabo esta forma de segmentación son las redes
totalmente convolucionales, ya que reportan los mejores desempeños en la
detección de objetos. Sin embargo, la mayor parte de estas redes tienen alto costo
computacional y requieren de computadoras costosas, por lo que han surgido
recientemente modelos basados en estas redes, pero con baja complejidad en
cálculos para que las aplicaciones de segmentación semántica se puedan
implementar desde sistemas embebidos. Por lo tanto, para contribuir con este
esfuerzo, se presenta en este artículo un análisis detallado las redes Enet, Mobilenet
v2, ERFNet y ESPNet v2, las cuales son redes populares en la literatura que se
pueden correr desde un sistema embebido. Con base en los resultados, se concluye
que los métodos que reemplazan la convolución regular por factorizaciones como
la convolución separada en profundidad y convoluciones dilatadas con diversas
ramas y el uso de otras estrategias como convoluciones saltadas e interpolaciones
articuladas reducen el costo computacional comparando las métricas generadas por
cada red como la huella de memoria, la precisión y el tiempo que tarda en segmentar
una sola imagen. |
| format | Article |
| id | doaj-art-de686843feba42868ab50d966eb027f6 |
| institution | Kabale University |
| issn | 2007-5448 2007-5448 |
| language | English |
| publishDate | 2019-10-01 |
| publisher | Universidad de Guadalajara |
| record_format | Article |
| series | ReCIBE |
| spelling | doaj-art-de686843feba42868ab50d966eb027f62025-08-20T03:50:26ZengUniversidad de GuadalajaraReCIBE2007-54482007-54482019-10-0182121ANÁLISIS DEL DESEMPEÑO DE REDES NEURONALES PROFUNDAS PARA SEGMENTACIÓN SEMÁNTICA EN HARDWARE LIMITADOOscar Alejandro Soto-Orozco0Alma Delia Corral-Sáenz1Claudia Elizabeth Rojo-González2Juan Alberto Ramírez-Quintana3División de Estudios de Posgrado e Investigación, Tecnológico Nacional de México/ I.T. Chihuahua, México.División de Estudios de Posgrado e Investigación, Tecnológico Nacional de México/ I.T. Chihuahua, México.División de Estudios de Posgrado e Investigación, Tecnológico Nacional de México/ I.T. Chihuahua, México.División de Estudios de Posgrado e Investigación, Tecnológico Nacional de México/ I.T. Chihuahua, México.Segmentación semántica consiste en encontrar objetos previamente definidos en una imagen digital y se aplica en tecnologías como vehículos autónomos, interacción humano-maquina, realidad aumentada, robótica, etc. Los modelos más comunes para llevar a cabo esta forma de segmentación son las redes totalmente convolucionales, ya que reportan los mejores desempeños en la detección de objetos. Sin embargo, la mayor parte de estas redes tienen alto costo computacional y requieren de computadoras costosas, por lo que han surgido recientemente modelos basados en estas redes, pero con baja complejidad en cálculos para que las aplicaciones de segmentación semántica se puedan implementar desde sistemas embebidos. Por lo tanto, para contribuir con este esfuerzo, se presenta en este artículo un análisis detallado las redes Enet, Mobilenet v2, ERFNet y ESPNet v2, las cuales son redes populares en la literatura que se pueden correr desde un sistema embebido. Con base en los resultados, se concluye que los métodos que reemplazan la convolución regular por factorizaciones como la convolución separada en profundidad y convoluciones dilatadas con diversas ramas y el uso de otras estrategias como convoluciones saltadas e interpolaciones articuladas reducen el costo computacional comparando las métricas generadas por cada red como la huella de memoria, la precisión y el tiempo que tarda en segmentar una sola imagen.http://recibe.cucei.udg.mx/revista/es/vol8-no2/computacion06.pdfaprendizaje profundosegmentación semánticaredes neuronales convolucionalesprocesamiento de imágenes y video |
| spellingShingle | Oscar Alejandro Soto-Orozco Alma Delia Corral-Sáenz Claudia Elizabeth Rojo-González Juan Alberto Ramírez-Quintana ANÁLISIS DEL DESEMPEÑO DE REDES NEURONALES PROFUNDAS PARA SEGMENTACIÓN SEMÁNTICA EN HARDWARE LIMITADO ReCIBE aprendizaje profundo segmentación semántica redes neuronales convolucionales procesamiento de imágenes y video |
| title | ANÁLISIS DEL DESEMPEÑO DE REDES NEURONALES PROFUNDAS PARA SEGMENTACIÓN SEMÁNTICA EN HARDWARE LIMITADO |
| title_full | ANÁLISIS DEL DESEMPEÑO DE REDES NEURONALES PROFUNDAS PARA SEGMENTACIÓN SEMÁNTICA EN HARDWARE LIMITADO |
| title_fullStr | ANÁLISIS DEL DESEMPEÑO DE REDES NEURONALES PROFUNDAS PARA SEGMENTACIÓN SEMÁNTICA EN HARDWARE LIMITADO |
| title_full_unstemmed | ANÁLISIS DEL DESEMPEÑO DE REDES NEURONALES PROFUNDAS PARA SEGMENTACIÓN SEMÁNTICA EN HARDWARE LIMITADO |
| title_short | ANÁLISIS DEL DESEMPEÑO DE REDES NEURONALES PROFUNDAS PARA SEGMENTACIÓN SEMÁNTICA EN HARDWARE LIMITADO |
| title_sort | analisis del desempeno de redes neuronales profundas para segmentacion semantica en hardware limitado |
| topic | aprendizaje profundo segmentación semántica redes neuronales convolucionales procesamiento de imágenes y video |
| url | http://recibe.cucei.udg.mx/revista/es/vol8-no2/computacion06.pdf |
| work_keys_str_mv | AT oscaralejandrosotoorozco analisisdeldesempenoderedesneuronalesprofundasparasegmentacionsemanticaenhardwarelimitado AT almadeliacorralsaenz analisisdeldesempenoderedesneuronalesprofundasparasegmentacionsemanticaenhardwarelimitado AT claudiaelizabethrojogonzalez analisisdeldesempenoderedesneuronalesprofundasparasegmentacionsemanticaenhardwarelimitado AT juanalbertoramirezquintana analisisdeldesempenoderedesneuronalesprofundasparasegmentacionsemanticaenhardwarelimitado |