ترجمه فارسی مقاله HiRISE: مقیاس‌بندی تصویر با وضوح بالا برای Edge ML از طریق فشرده‌سازی درون حسگر و ROI انتخابی

چکیده

With the rise of tiny IoT devices powered by machine learning (ML), many researchers have directed their focus toward compressing models to fit on tiny edge devices. Recent works have achieved remarkable success in compressing ML models for object detection and image classification on microcontrollers with small memory, e.g., 512kB SRAM. However, there remain many challenges prohibiting the deployment of ML systems that require high-resolution images. Due to fundamental limits in memory capacity for tiny IoT devices, it may be physically impossible to store large images without external hardware. To this end, we propose a high-resolution image scaling system for edge ML, called HiRISE, which is equipped with selective region-of-interest (ROI) capability leveraging analog in-sensor image scaling. Our methodology not only significantly reduces the peak memory requirements, but also achieves up to 17.7x reduction in data transfer and energy consumption.

چکیده به فارسی (ترجمه ماشینی)

با ظهور دستگاه های IoT ریز و درشت با استفاده از یادگیری ماشین (ML) ، بسیاری از محققان تمرکز خود را به سمت مدل های فشرده سازی هدایت کرده اند تا در دستگاه های لبه ریز قرار بگیرند.آثار اخیر در فشرده سازی مدل های ML برای تشخیص شی و طبقه بندی تصویر در میکروکنترلرها با حافظه کوچک ، به عنوان مثال ، 512KB SRAM موفقیت چشمگیری داشته اند.با این حال ، بسیاری از چالش های ممنوعیت استقرار سیستم های ML که به تصاویر با وضوح بالا نیاز دارند ، وجود دارد.با توجه به محدودیت های اساسی در ظرفیت حافظه برای دستگاه های کوچک IoT ، ذخیره سازی تصاویر بزرگ بدون سخت افزار خارجی ممکن است از نظر جسمی غیرممکن باشد.برای این منظور ، ما یک سیستم مقیاس بندی تصویر با وضوح بالا برای لبه ML به نام HiRISE پیشنهاد می کنیم که مجهز به قابلیت انتخاب منطقه ای از علاقه (ROI) است که از مقیاس بندی تصویر در سنسور آنالوگ استفاده می کند.روش شناسی ما نه تنها نیازهای اوج حافظه را به میزان قابل توجهی کاهش می دهد ، بلکه به کاهش 17.7x در انتقال داده ها و مصرف انرژی نیز می رسد.