Early Exiting U-Net for Efficient Processing on UAVs: A Case Study in Environmental Monitoring

1. Problématique

Les déversements d'hydrocarbures constituent une menace majeure pour les écosystèmes marins et les économies côtières. Une estimation précoce de l'épaisseur de la nappe est cruciale pour guider les opérations de confinement et de nettoyage. Bien que les drones (UAV) soient des plateformes idéales pour la surveillance environnementale en raison de leur coût réduit et de leur rapidité de déploiement, leur capacité de traitement à bord est limitée par des contraintes strictes de puissance, de mémoire et de calcul.

Les modèles d'apprentissage profond standards, comme l'architecture U-Net, sont souvent trop volumineux pour être déployés directement sur du matériel UAV contraint. Une version compressée, le Tiny U-Net, a été proposée précédemment pour fonctionner sur des FPGA, mais elle traite chaque image radar avec le même pipeline d'inférence complet, indépendamment de la complexité de la scène. Cela entraîne un gaspillage de ressources computationnelles pour des cas simples qui pourraient être résolus plus rapidement.

2. Méthodologie

Les auteurs proposent d'intégrer un mécanisme de sortie anticipée (Early Exiting - EE) dans l'architecture Tiny U-Net pour optimiser l'efficacité computationnelle.

• Architecture Hybride : Une branche de sortie anticipée est ajoutée entre le deuxième bloc de convolution et la couche de goulot d'étranglement (bottleneck) du Tiny U-Net.
• Mécanisme de Décision :
  • Après le deuxième bloc de convolution, le modèle génère une carte d'épaisseur préliminaire et calcule un score de confiance ($C_M$).
  • Ce score est comparé à un seuil de confiance ($T$) ajustable.
  • Si $C_M \ge T$, l'inférence s'arrête et la prédiction de la branche anticipée est renvoyée.
  • Si $C_M < T$, le modèle continue le traitement à travers le reste du pipeline (goulot d'étranglement et décodeur) pour une prédiction finale plus précise.
• Entraînement : Le modèle est entraîné sur un jeu de données synthétiques de déversements d'huile (555 scénarios) en utilisant une perte de moyenne entre les deux chemins (sortie anticipée et chemin complet). L'entraînement utilise la quantification consciente de 8 bits (via la bibliothèque BREVITAS) pour préparer le déploiement matériel.
• Données d'entrée : Les images radar simulées (4–12 GHz) sont traitées avec une résolution de $100 \times 100$ pixels, représentant la distribution spatiale de l'épaisseur de l'huile (11 classes, de 0 à 10 mm).

3. Contributions Clés

• Intégration de l'Early Exiting dans le Tiny U-Net : C'est la première application de ce mécanisme à une architecture U-Net compressée dédiée à l'estimation d'épaisseur d'huile sur UAV.
• Optimisation Dynamique : Le système permet d'ajuster le compromis entre précision et coût computationnel en temps réel en modifiant le seuil de confiance $T$, sans nécessiter de réentraînement du modèle.
• Réduction de la Complexité : L'approche vise spécifiquement à réduire la consommation d'énergie dynamique et la latence, des facteurs critiques pour l'autonomie des drones.

4. Résultats Expérimentaux

Les expériences ont été menées en comparant le modèle proposé avec le Tiny U-Net de base (référence [11]).

• Performance (IoU) :
  • Le modèle de base atteint un IoU (Intersection over Union) de 0,79.
  • Le modèle avec sortie anticipée maintient une performance comparable (IoU $\approx$ 0,78) lorsque le seuil est élevé (presque toutes les images passent par le chemin complet).
  • Même avec un seuil agressif permettant à 100 % des échantillons de sortir tôt, l'IoU reste à 0,76, ce qui est supérieur à une architecture encore plus petite (0,70) testée dans des travaux précédents.
• Efficacité Computationnelle :
  • Le nombre moyen de multiplications est réduit de jusqu'à 42 % pour un seuil de confiance bas (0,850).
  • Pour un seuil intermédiaire (ex: 0,945), on observe une réduction de 22,64 % des multiplications avec une dégradation de l'IoU limitée à 2 % (passant de 0,79 à 0,77).
• Consommation Énergétique :
  • La puissance dynamique estimée passe de 124 mW (Tiny U-Net complet à 100x100) à 72 mW pour les sorties anticipées, et 160 mW pour le chemin complet (en raison des poids supplémentaires de la branche EE).
  • Globalement, l'approche permet une réduction significative de la consommation moyenne, prolongeant potentiellement le temps de vol des UAV.
• Analyse des Cartes : Les cartes générées par la sortie anticipée sont légèrement plus bruitées aux bordures des nappes d'huile, mais restent cohérentes pour les estimations globales.

5. Signification et Implications

Cette étude démontre qu'il est possible de déployer des modèles de vision par ordinateur complexes sur des plateformes UAV aux ressources limitées en exploitant la variabilité de la difficulté des scènes d'entrée.

• Impact Opérationnel : La réduction de la charge de calcul et de la consommation d'énergie permet d'étendre l'autonomie des missions de surveillance environnementale et rend le traitement à bord (Edge AI) plus viable pour les capteurs radar.
• Flexibilité : La capacité à ajuster le seuil de confiance offre aux opérateurs la possibilité de prioriser soit la rapidité/économie d'énergie, soit la précision, selon les conditions de la mission.
• Limites et Perspectives : L'étude repose actuellement sur des données radar synthétiques. Les travaux futurs viseront la validation sur des données réelles, l'adaptation dynamique du seuil selon les conditions environnementales, et une implémentation matérielle optimisée sur FPGA pour mieux capturer les gains énergétiques réels (la consommation statique des FPGA actuels masquant partiellement les gains dynamiques).

En conclusion, cette approche d'Early Exiting transforme le Tiny U-Net en un système plus intelligent et économe en énergie, facilitant ainsi le déploiement pratique de systèmes de surveillance des déversements d'hydrocarbures par drone.