بهبود کارایی برنامه های کاربردی تشخیص چهره با استفاده از رایانش مه تقویت شده با شتاب دهنده های سخت افزای FPGA

در این مقاله بهبود کارایی برنامه های کاربردی تشخیص چهره با استفاده از رایانش مه تقویت شده با شتابدهنده های سخت افزای FPGA ارایه میشود که تنها نتایج محاسبات را برای لایه ابر ارسال میکند. با توجه به محدودیت توان پردازشی گره های مه، معماری پردازش لبه پیشنهاد شده از ماژولهای جانبی FPGA به همراه دوربینهای کنترلی تشکیل شده است. برای پیادهسازی برنامه های تشخیص چهره که در احراز هویت، تشخیص و تعقیب چهره افراد و ... کاربرد دارد از الگوریتمهای یادگیری عمیق و شبکه های عصبی پیچشی (Convolutional Neural Network( استفاده میشود که منابع پردازشی زیادی نیاز دارند. به منظور بررسی میزان بهبودی که این مقاله در کارایی سیستم ایجاد میکند، معیارهایی مانند زمان اجرا، انرژی مصرفی، میزان داده ارسال شده به فضای ابری و افزایش بار کاری مورد ارزیابی قرار می گیرند. نتایج نشان دهنده بهبود زمان اجرا تا 31 برابر در مقایسه با پردازنده تک هستهای AMD Opteron در ازاء افزایش قابل قبول در میزان مصرف انرژی و سربار محاسباتی می باشد. به منظور شبیه سازی از نرم افزار IfoGSim و FPGAهای مدل Virtex-5 LX330T بهره برده شده است. آزمایشهای انجام شده نشان میدهند استفاده از رایانش مه برای تشخیص چهره، میزان داده هایی که به فضای ابری ارسال میشوند را بطور قابل توجهی کاهش میدهد و همچنین شتابدهنده سختافزاری فرآیند تشخیص چهره را بطور چشمگیری کارآمدتر میکند.

Keywords:

اینترنت اشیاء , تشخیص چهره , شبکه عصبی پیچشی , FPGA , رایانش مه