基于边缘计算平台无人机实时图像分割的洪水检测

SCI三区

标题明确为"Comparative Study"，属于实证研究而非方法创新。论文目标是对现有实时分割模型在洪水图像上的性能进行基准测试，而非提出新架构。

核心矛盾：​​引言中提出的“边缘AI实时性挑战”需要技术优化方案，但正文仅提供模型对比而非针对性改进​​。

介绍叙事

• 故事叙事 首先给出无人机的定义，定义结尾提出无人机的广泛作用... 第二段提出无人机在自然灾害响应阶段同样有特别作用,从无人机上配备各种装置提供充足信息为切入点，随后提出无人机需要及时性的决策来保证快速处理图像检测洪水区域（这为边缘计算话题引入切入点）。 第三段解释边缘计算的定义，随后直接引出目前边缘计算的挑战（负载），以此为提出技术解决方案为切入点。

• 技术叙事 由于这些工作负载的成本，实时限制和边缘 AI 工作负载的增加仍然构成了一个具有挑战性的问题，作者开始提出在AI模型参数计算量优化上目前的解决方总是离线进行的卷积神经网络分类，随后作者提出自己的解决方案，对基于低功耗GPU的边缘计算平台不同模型进行评估：分析了用于图像分割的不同最先进的基于 DNN 的深度学习模型，以便在性能、准确性和内存占用方面进行泛洪检测。特别是 PSPNet、DeepLabV3 和 U-Net 正在研究中。

• 主要贡献