Squeeze U-Net: Uma Rede de Segmentação de Imagem Eficiente em Memória e Energia

Para facilitar a implementação de redes neurais profundas em sistemas embarcados, mantendo os requisitos de memória e computação baixos, é crítico, especialmente para uso móvel em tempo real. Neste trabalho, propomos uma versão do U-Net inspirada no SqueezeNet para segmentação de imagem que alcança uma redução de 12X no tamanho do modelo para 32MB e uma redução de 3.2X nas operações de Multiplicação e Acumulação (MACs) de 287 bilhões de ops para 88 bilhões de ops para inferência no conjunto de dados CamVid, preservando a precisão. Nossa proposta Squeeze U-Net é eficiente tanto em baixos MACs quanto no uso de memória. Nossos resultados de desempenho usando Tensorflow 1.14 com Python 3.6 e CUDA 10.1.243 em uma GPU NVIDIA K40 mostram que o Squeeze U-Net é 17% mais rápido para inferência e 52% mais rápido para treinamento do que o U-Net para a mesma precisão.