قطعه‌بندی معنایی تصاویر هوایی و محاسبات لبه در اینترنت اشیاء

رایانش ابری یکی از بزرگترین فرآیندهای محاسباتی عصر دیجیتال است که شامل ارائه منابع محاسباتی از طریق اینترنت می شود. امروزه به طور فزاینده‌ای، دستگاه‌هایی که به خدمات ابری دسترسی دارند، اعم از تجهیزات اینترنت اشیاء که داده‌ها را برای تجزیه و تحلیل آنلاین انتقال می‌دهند، افزایش پیدا کرده است. از طرفی زیرساخت ابری سنتی برای مدیریت چنین حجم عظیمی از داده ها طراحی نشده است و حجم زیادی از داده‌های تولید شده از تجهیزات سیار و حسگرها، ظرفیت شبکه موجود را بیش از حد اشغال کرده و منجر به تاخیر در پاسخ‌دهی و چالش‌های امنیتی خواهند شد. محاسبات لبه یک مدل محاسباتی مبتنی بر قرارگرفتن منابع پردازشی و ذخیره‌سازی نزدیک به محل تولید داده برای بهبود زمان پاسخ دهی، صرفه‌جویی در پهنای باند و حفظ حریم خصوصی است. در این مقاله از دو مدل شبکه عصبی عمیق pspnet و u-net برای استخراج ویژگی‌ از تصاویر هوایی نواحی سیل‌زده و نیز دو شبکه رمزگذار resnet50 و mobilenet استفاده شده تا با پیاده‌سازی ترکیبی آنها بر روی یک سیستم تعبیه‌شده کم مصرف، بررسی میزان حافظه مصرفی و زمان اجرای فرآیند استنتاج از طریق محاسبات لبه مبتنی بر gpu انجام شود. معیار miou برای ارزیابی هر ترکیبی از مدل شبکه عصبی و رمزگذار بکارگرفته شده است.