CARACTERIZACIÓN COMPUTACIONAL DE ALGORITMO DE SEGMENTACIÓN DE FUEGO Y HUMO BASADO EN REDES NEURONALES CONVOLUCIONALES

Abstract

El presente trabajo describe la caracterización computacional del proceso de inferencia en un modelo de redes neuronales convolucionales diseñado para la segmentación de fuego y humo en imágenes de incendios forestales. El modelo, denominado SFEwAN (Simple Feature Extraction with FCN-AlexNet), fue creado en el contexto del proyecto Wild Fire Watch [1], el cual tiene como objetivo desarrollar un sistema de monitoreo de incendios forestales basado en vehículos aéreos no tripulados. Si bien SFEwAN ha sido validado funcionalmente respecto a la precisión de su segmentación en conjuntos de imágenes previamente recolectados, no existe una caracterización de los tiempos de ejecución asociados que permitan determinar su factibilidad para operar en línea a medida que se capturan las imágenes. En este trabajo se evalúan los costos computacionales del proceso de inferencia de SFEwAN utilizando distintas plataformas basadas en Graphics Processing Unit (GPU), apuntando a conocer los tiempos asociados al proceso de segmentación de una imagen, detectar cuellos de botella, e identificar potenciales puntos de optimización en los códigos para reducir los tiempos de ejecución. Además, considerando la posibilidad de agregar procesamiento a bordo de un dron, se evalúa el desempeño de las plataformas embebidas de nueva generación Jetson de Nvidia, comparándolas con GPUs tradicionales de escritorio en términos de tiempo de ejecución y consumo energético. Los resultados experimentales revelan que los sistemas embebidos Jetson TX2 y Jetson AGX Xavier tienen un tiempo de inferencia que permitirían llegar a la aplicación a una tasa de a 5 y 7 fotogramas por segundo, respectivamente. Respecto a las GPUs de escritorio evaluadas, se encuentra que una tarjeta TITAN RTX puede alcanzar 115 fotogramas por segundo. Por otra parte, el consumo energético de las GPU embebidas de las plataformas Jetson es aproximadamente 20 veces menor que el de una GPU de escritorio. Este informe resume los principales resultados en la caracterización computacional de la inferencia en el modelo de segmentación de fuego y humo, y se especifican herramientas y métodos para generar en forma sistemática resultados reproducibles y verificables que entregan información sobre los trade-offs a considerar al implementar los algoritmos en una aplicación real.