Skip to main content

COMPUTACION DE ALTAS PRESTACIONES, HETEROGENEA Y EN LA NUBE PARA APLICACIONES DE ALTA DEMANDA

PID2022-141623NB-I00

•
Funding agency name Agencia Estatal de Investigación
Funding agency acronym AEI
Program Programa Estatal para Impulsar la Investigación Científico-Técnica y su Transferencia
Subprogram Subprograma Estatal de Generación de Conocimiento
Call Proyectos de I+D+i (Generación de Conocimiento y Retos Investigación)
Call year 2022
State Plan 2021-2023 Plan Estatal de Investigación Científica y Técnica y de Innovación
Beneficiary centre UNIVERSIDADE DE SANTIAGO DE COMPOSTELA

Resultados relacionados

Resultados totales (Incluyendo duplicados): 4
Encontrada(s) 1 página(s)

Minerva. Repositorio Institucional de la Universidad de Santiago de Compostela
Publication Capítulo o parte de un libro (BookPart)

Estudio preliminar del registro de alta precisión de imágenes multitemporales de observación terrestre

  • Fuentes, Daniel
  • Ordóñez Iglesias, Álvaro
  • Blanco Heras, Dora
  • Argüello Pedreira, Francisco
El creciente uso de varias imágenes multidimensionales de teledetección para una misma zona geográfica con el objetivo de realizar procesos de observación terrestre hace imprescindible realizar un alineamiento previo de dichas imágenes. El alineamiento, conocido también como registro, consiste en, dadas dos imágenes, explotar la información espacial y espectral de la zona capturada para obtener la transformación geométrica que permita alinear una imagen respecto de la otra. En este artículo se propone un análisis previo del registro de alta precisión de imágenes multitemporales basado en la combinación de métodos ya existentes en la literatura. Se realizará sobre imágenes multiespectrales de alta resolución espacial capturadas en diferentes fechas. Las imágenes presentan diferentes condiciones de captura tanto lumínicas como de inclinación que suponen un reto en cuanto a su registro. Mediante una evaluación sistemática de los métodos disponibles en la literatura seleccionamos los más adecuados para ser aplicados de manera consecutiva. Se mide la calidad del registro mediante la evaluación de su precisión, la robustez ante solapamientos de imágenes y el tiempo de ejecución. Finalmente se selecciona la combinación de métodos que proporciona la más alta precisión de registro.
Minerva. Repositorio Institucional de la Universidad de Santiago de Compostela
Publication Capítulo o parte de un libro (BookPart)

Coste computacional de una red de aprendizaje profundo basada en EfficientNet sobre dispositivos basados en GPU para computación en el borde

  • Vilela Pérez, Nicolás
  • Blanco Heras, Dora
  • Argüello Pedreira, Francisco
El despliegue de redes de aprendizaje profundo para la teledetección en entornos de computación en el borde sigue siendo un gran reto, ya que estas plataformas operan bajo restricciones de energía y de recursos de cómputo. Este desafío exige aplicar técnicas de optimización de redes y realizar un trabajo especialmente cuidadoso en el caso de redes diseñadas para operar con un coste computacional reducido. El problema se agrava en el caso de redes de tamaño medio, ya que la mayoría de las técnicas de optimización están orientadas a redes de gran escala. En este trabajo se analizan el coste computacional y la eficiencia energética generados por técnicas de optimización aplicadas a la red EffBaGAN, una red de tamaño medio basada en EfficientNet, orientada a la clasificación de imágenes multiespectrales de alta resolución espacial para la cobertura terrestre en escenarios de escasez y desequilibrio de datos. Se evalúa el impacto de la precisión mixta automática (AMP), la cuantización durante y después del entrenamiento (QAT y PTQ, respectivamente) y la poda, tanto de forma aislada como combinada, en una plataforma NVIDIA Jetson AGX Orin. Además, se analiza el rendimiento computacional en función de los límites de potencia del dispositivo. Los resultados revelan que la combinación del entrenamiento sensible a la cuantización (QAT) con la poda representa el enfoque más efectivo para lograr reducciones conjuntas en el tamaño de la red y en el número de parámetros y FLOPs, al mismo tiempo que se mantienen métricas de precisión competitivas.
Minerva. Repositorio Institucional de la Universidad de Santiago de Compostela
Publication Capítulo o parte de un libro (BookPart)

Region-based multispectral image registration on heterogeneous computing platforms

  • Castillo de la Rosa, Daniel del
  • Ordóñez Iglesias, Álvaro
  • Blanco Heras, Dora
  • Argüello Pedreira, Francisco
Feature-based methods are widely used for the registration of remote sensing images because of their robustness to viewpoint, scale, and light changes. However, they are computationally demanding, especially when dealing with multi or hyperspectral images. Hyperspectral Maximally Stable Extremal Regions (HSI-MSER) is a hyperspectral remote sensing image registration method based on MSER for feature detection and Scale Invariant Feature Transform (SIFT) for feature description. This article presents a first approach to a parallel implementation of the HSI-MSER algorithm for the registration of multispectral images on a heterogeneous computing platform. The results of the registration capabilities under extreme scaling and rotating conditions show that the proposed parallel implementation obtains a speedup of 3.33 times compared to the sequential implementation making it suitable for applications with execution time constraints.
Minerva. Repositorio Institucional de la Universidad de Santiago de Compostela
Publication Capítulo o parte de un libro (BookPart)

Redes convolucionales basadas en escalado uniforme de dimensiones para la clasificación de imágenes multiespectrales

  • Vilela Pérez, Nicolás
  • Goldar Dieste, Álvaro
  • Blanco Heras, Dora
  • Argüello Pedreira, Francisco
En el campo de la clasificación de imágenes multi e hiperespectrales se ha popularizado en la última década el uso de técnicas basadas en aprendizaje profundo, en particular las basadas en redes convolucionales. Dado que su coste computacional es más alto que el de las técnicas de aprendizaje automático más clásicas, recientemente se han propuesto nuevos esquemas de clasificación que tienen como objetivo reducir el tiempo de ejecución requerido por ellas. Un modelo de red que ha sido aplicado con éxito a problemas de clasificación de imágenes en la literatura es la llamada red EfficientNet. Este tipo de redes de aprendizaje profundo se caracterizan por realizar un escalado uniforme de las tres dimensiones que componen la red: profundidad, anchura y resolución. De esta forma, se obtiene un modelo con buenas precisiones de clasificación a la vez que se cumplen las restricciones computacionales impuestas por el problema. En este trabajo se propone la adaptación de las redes tipo EfficientNet para resolver la clasificación de imágenes multiespectrales de alta resolución. Se analizan diferentes configuraciones de este tipo de redes variando el escalado de la arquitectura, tanto en términos de precisión de la clasificación del esquema resultante como de tiempo de ejecución. Los experimentos realizados sobre imágenes multiespectrales de alta resolución espacial obtenidas mediante vehículos aéreos no tripulados han mostrado que algunas variantes específicas de EfficientNet permiten una reducción importante del coste computacional sin degradar la precisión de clasificación.