基于嵌入式 U-Net 的航空图像实时语义分割：CPU、GPU 与 FPGA 工作流程比较
计算机视觉与模式识别
2025-03-13 v1 人工智能
硬件体系结构
机器学习
摘要
本研究提出一种轻量级 U-Net 模型，针对航空图像实时语义分割进行优化，旨在高效利用商用离散件(COTS)嵌入式计算平台。我们在保持模型在真实数据集上的准确性的同时，通过减少模型参数和乘加运算(MAC)数量，显著降低了约 16 倍。我们的全面分析涵盖三种硬件平台(CPU、GPU 和 FPGA)以及五种不同的工具链(TVM、FINN、Vitis AI、TensorFlow GPU 和 cuDNN)，对每种平台进行延迟、功耗、内存占用、能源效率和 FPGA 资源使用等指标的评估。结果揭示了这些平台和工具链之间的权衡，特别关注实际应用中的部署挑战。我们的发现表明，尽管 FPGA 配合 Vitis AI 因其性能、能源效率和成熟度而表现突出，但其需要专业的硬件知识，这强调了在语义分割任务中选择嵌入式计算解决方案时需要采取平衡的策略。
引用
@article{arxiv.2503.08700,
title = {Real-Time Semantic Segmentation of Aerial Images Using an Embedded U-Net: A Comparison of CPU, GPU, and FPGA Workflows},
author = {Julien Posso and Hugo Kieffer and Nicolas Menga and Omar Hlimi and Sébastien Tarris and Hubert Guerard and Guy Bois and Matthieu Couderc and Eric Jenn},
journal= {arXiv preprint arXiv:2503.08700},
year = {2025}
}
备注
ERTS2024, Jun 2024, Toulouse, France