GGCN：基于GPU的高光谱图像分类算法

发布时间：2022-02-21 23:47

　　高光谱图像分类是遥感领域的研究热点之一,是对地观测的重要手段,在地物的精细识别等领域具有重要的应用。使用卷积神经网络（CNN）可以有效地从原始图像中提取高级特征,具有较高的分类精度。但CNN计算量巨大,对硬件要求较高。为了提高模型计算效率,可以在图形处理器（GPU）上进行CNN模型的训练。现有的并行算法,比如GCN（GPU based Cube-CNN）,无法充分利用GPU的并行能力,算法加速效果并不理想。为了进一步提升算法效率,提出基于通用矩阵乘法（GEMM）算法的GGCN（GPU based Cube-CNN improved by GEMM）并行加速算法,通过G-PNPE（GEMM based Parallel Neighbor Pixels Extraction）对输入数据和卷积核进行重新组织排列,实现卷积的并行计算,有效地提高了GPU的利用率并进一步提升了算法的训练效率。通过分析在三个数据集上的实验结果发现,改进算法的分类精度与原算法保持一致,而且模型的训练时间缩短了30%左右,表明算法的有效性和优越性。 

【文章来源】：激光与光电子学进展. 2020,57(20)北大核心CSCD

【文章页数】：7 页

【文章目录】：
1 引言
2 Cube-CNN-SVM分类模型
3 GGCN并行计算模型
    3.1 GEMM算法
    3.2 G-PNPE预处理算法
    3.3 模型训练
4 实验与结果分析
5 结论


【参考文献】：
期刊论文
[1]CUDA技术在数字图像匹配中的应用[J]. 姜雪茸,魏威.  现代信息科技. 2019(18)
[2]基于Cholesky分解的高光谱实时异常探测的GPU优化[J]. 李萍,关桂霞,吴太夏,彭波,黄晓.  传感器与微系统. 2019(03)
[3]基于超图和卷积神经网络的高光谱图像分类[J]. 刘玉珍,蒋政权,马飞,张春华.  激光与光电子学进展. 2019(11)
[4]基于卷积神经网络的高光谱遥感地物多分类识别[J]. 闫苗,赵红东,李宇海,张洁,赵泽通.  激光与光电子学进展. 2019(02)
[5]卷积神经网络在图形处理GPU芯片上的优化[J]. 沈恬,胡飞.  集成电路应用. 2017(06)
[6]高光谱图像处理与信息提取前沿[J]. 张兵.  遥感学报. 2016(05)



本文编号：3638260