随处进行科学图像复原
图像与视频处理
2019-11-15 v1 计算机视觉与模式识别
机器学习
摘要
在科学实验设施中使用深度学习模型经常需要低延迟推理，以便例如在数据收集的同时进行质量控制操作。边缘计算设备在此情境下很有用，因为其低成本与紧凑外形使其可与实验装置共置。这类资源受限的设备能否高效且有效地执行神经网络前馈计算？我们通过评估一个科学图像复原模型（其模型输入与输出均为图像）在边缘计算设备上的性能与精度来探讨此问题。具体而言，我们在 Google Edge TPU 和 NVIDIA Jetson 上评估了 TomoGAN 的部署，TomoGAN 是一个基于生成对抗网络(generative adversarial networks, GAN)开发用于低剂量 X 射线成像的图像去噪模型。我们使 TomoGAN 适配边缘执行，评估模型推理性能，并提出缓解由模型量化引起的精度下降的方法。我们表明这些边缘计算设备能提供与完整 CPU 或 GPU 模型相当的精度，且速度足以满足预期部署使用，在不到一秒内对 1024 x 1024 图像去噪。我们的实验还显示 Edge TPU 模型能提供比基于 CPU 的模型快 3 倍的推理响应，比基于边缘 GPU 的模型快 1.5 倍。这种高速度与低成本的结合使得随处进行图像复原成为可能。
引用
@article{arxiv.1911.05878,
title = {Scientific Image Restoration Anywhere},
author = {Vibhatha Abeykoon and Zhengchun Liu and Rajkumar Kettimuthu and Geoffrey Fox and Ian Foster},
journal= {arXiv preprint arXiv:1911.05878},
year = {2019}
}
备注
6 pages, 8 figures, 1 table