Método de extracción de características eficiente en compresión para un sensor de imagen CMOS

Área de la Ciencia:

• Visión por Computadora
• Procesamiento de Imágenes
• Sistemas Embebidos

Sus antecedentes:

• Las restricciones de energía en la era del Internet de las Cosas (IoT) exigen un manejo eficiente de los datos.
• Los sensores de imagen convencionales generan grandes volúmenes de datos, lo que supone un desafío para las aplicaciones de bajo consumo.
• Los métodos existentes a menudo implican una compensación entre el tamaño de los datos y la precisión del reconocimiento.

Objetivo del estudio:

• Desarrollar un método de extracción de características eficiente en compresión para sensores de imagen CMOS.
• Permitir sistemas de reconocimiento de imágenes de bajo consumo para la era del IoT.
• Reducir el volumen de transmisión de datos sin comprometer la precisión del reconocimiento de imágenes.

Principales métodos:

• Se propuso un novedoso método de extracción de características para sensores de imagen CMOS.
• Se extrajeron datos de características binarias de seis canales (señales de luminancia y de borde horizontal).
• Se empleó la codificación de longitud de ejecución (RLE) para la compresión de datos.

Principales resultados:

• Logró una precisión de reconocimiento de objetos APL50 del 60,7% en el conjunto de datos COCO utilizando YOLOv7 en GPUs de borde, con una reducción del tamaño de los datos del 99,2%.
• Alcanzó una precisión de clasificación de imágenes del 89,4% en el conjunto de datos Visual Wake Words (VWW) utilizando MobileNetV3, con una reducción del tamaño de los datos del 99,0%.
• Demostró un rendimiento superior a los métodos convencionales al reducir significativamente el tamaño de los datos y mantener una alta precisión.

Conclusiones:

• El método propuesto reduce eficazmente el tamaño de los datos para el reconocimiento de imágenes en entornos IoT con restricciones de energía.
• Este enfoque supera la compensación tradicional entre precisión y tamaño de los datos.
• Permite la realización práctica de sistemas de reconocimiento de imágenes eficientes y de bajo consumo.