Resumen - Optimización de la Segmentación de HSI basada en DNN para SoC con FPGA para ADS: Un Enfoque Práctico

Optimización de la Segmentación de HSI basada en DNN para SoC con FPGA para ADS: Un Enfoque Práctico

2025-07-22 13:09:04

{"Jon Gutiérrez-Zaballa","Koldo Basterretxea","Javier Echanobe"}

{cs.CV,cs.AI,cs.AR,cs.LG,eess.IV}

Esta investigación explora el uso de redes neuronales profundas (DNNs) para la segmentación de imágenes hiperspectrales (HSI) en sistemas de conducción autónoma (ADS), enfocándose en optimizar el rendimiento y la eficiencia del sistema. El estudio tiene como objetivo abordar los desafíos del procesamiento en tiempo real y las limitaciones de recursos en sistemas embebidos mediante el aprovechamiento de técnicas de co-diseño de hardware/software y métodos de compresión de DNN. ### Puntos Clave: 1. **HSI y DNNs**: La investigación utiliza HSI para superar las limitaciones de la imagenación RGB tradicional, como el metamerismo, capturando información espectral a través de un rango más amplio de longitudes de onda. Las DNNs se emplean para la segmentación de HSI, ofreciendo mayor precisión y robustez. 2. **Técnicas de Optimización**: - **Co-Diseño de Hardware/Software**: El estudio propone un enfoque de co-diseño para integrar de manera eficiente la preprocesamiento, almacenamiento de datos, comunicación e inferencia de DNN en una plataforma de SoC basada en FPGA. - **Compresión de Modelos**: Se utilizan técnicas como cuantificación y poda iterativa para reducir la complejidad computacional del modelo de DNN, manteniendo la precisión. - **Optimización de Preprocesamiento**: La investigación se enfoca en optimizar la tubería de preprocesamiento, incluyendo conversión de datos, normalización y gestión de memoria, para mejorar la eficiencia. 3. **Plataforma de SoC basada en FPGA**: - El estudio utiliza la placa AMD-Xilinx KV260, que integra un Zynq UltraScale+ MPSoC con lógica programable, proporcionando una plataforma adecuada para desplegar el sistema de segmentación de HSI basado en DNN optimizado. 4. **Resultados**: - El modelo de DNN optimizado logró una reducción significativa en la complejidad computacional, con una disminución del 24.34% en operaciones y una reducción del 1.02% en parámetros. - El método de poda iterativa combinó análisis estático y dinámico para identificar y podar parámetros innecesarios, reduciendo aún más el tamaño del modelo sin comprometer la precisión. - El sistema optimizado demostró una aceleración de 2.86x en tareas de inferencia, manteniendo una alta precisión en la segmentación. ### Implicaciones: La investigación destaca el potencial de las HSI y las DNNs para mejorar las capacidades de los ADS, especialmente en términos de comprensión de la escena y detección de objetos. Las técnicas de optimización propuestas y la plataforma de SoC basada en FPGA proporcionan un enfoque práctico para desplegar sistemas de segmentación de HSI en entornos con limitaciones de recursos. Esta investigación contribuye al desarrollo de sistemas de visión inteligente avanzados para la navegación autónoma y otras aplicaciones.