基于FPGA的卷积神经网络的实现与验证

发布时间：2021-10-12 01:05

　　随着太空遥感技术的发展,大量高精度高分辨率的遥感图像被广泛运用在民用经济建设和军事国防中,对遥感图像中感兴趣目标进行实时处理是当下研究者们关注的问题。在图像处理领域中,计算机视觉技术一直有着独特的优势,卷积神经网络算法（Convolutional Neural Network,CNN）是近年来计算机视觉领域的新兴算法,使用CNN对大量的遥感图像进行实时处理时,利用其在特征学习和特征选择过程中的优势,结合算法内部特有的局部连接和参数共享等特性,可以快速地对遥感图像中特征进行提取与识别。CNN在图像处理中既可以达到较高的准确率,又能够解决图像的位移和形变的问题,因此可将CNN运用到遥感卫星图像实时处理系统中。本文以工程应用为背景,在分析和总结卷积神经网络算法层级结构特点基础上,充分利用现场可编程逻辑阵列（Field Programmable Gate Array,FPGA）的优势构建硬件实现技术平台,提出一种基于FPGA平台的卷积神经网络实时处理遥感图像方案。本文的研究内容包括:（1）根据项目需求,结合卷积神经网络结构与特性,对LeNet-5卷积神经网络进行优化。通过增大输入图像尺寸并增加... 

【文章来源】：河北大学河北省

【文章页数】：80 页

【学位级别】：硕士

【部分图文】：

LeNet-5网络结构

河北大学硕士学位论文8卷积层卷积过程如图2-2所示，输入图像为55，卷积核为33。卷积核以滑窗滑动形式扫描输入图像，将卷积核的权值和输入图像的像素值进行矩阵计算。由公式（2.2）W912+W812+W811+W68+W57+W46+W33+W22+W11g1。卷积核按照顺序滑动对窗口内的输入图像逐一进行乘累加计算，直到输入的55图像全部扫过，最终得到33的输出。图2-2卷积过程需要注意的是在这里输出尺寸计算公式如公式（2.2）所示。1]2)([SPKMO（2.2）其中输出尺寸为（OO），输入原图尺寸为（MM），卷积核尺寸为（KK），P（pading）代表外围补0的层数，S（stride）代表滑窗滑动的步进。卷积计算中卷积核以滑窗的形式在输入图像上遍历的过程，就是使用了CNN中局部连接与参数共享的特性。局部连接的思想是受到生物学视觉系统结构中视觉皮层的神经元局部接受信息的方式所启发的。通过局部连接不仅提取了网络中特征信息，还利用到了像素之间的位置信息。参数共享是指在卷积核对图像进行遍历过程中，使用同一个卷积核对图像进行卷积，使整个图像信息中的所有元素都“共享”这个卷积核的参数。通过对参数进行共享，减少了卷积神经网络中参数的数量[30]，使特征提取更有效。利用CNN特有的局部连接和参数共享对输入图像进行操作，可以减少图像中参数的数量，并可以高效提取图像中目标的特征，提升网络整体性能。2.1.2池化层池化层（pooling）通常称为下采样层，它本身是非线性的。该层对卷积层输出的特征映射图做下采样操作，可以理解为将某个点的输出替换为这个点周围输出的统计信

第二章相关技术分析9息。具体操作方式是将部分特征映射图以22滑窗形式滑动，取对应4个窗格中最大的值作为窗格中心的值并生成新的特征映射图称之为最大值池化；取4个窗格中的平均值作为窗格中心的值并生成新的特征映射图输出的称之为均值池化。通过池化操作可以再一次减小特征图像中像素的大小进而减少了下层运算的计算量，其运算示意图如图2-3所示。图2-3池化过程卷积神经网络中池化的引入，极大降低了特征的计算复杂度，池化过程公式如公式2.3所示))((1ljljljljXdbXownf（2.3）式中ljX表示l层池化层的第j个特征图；xf)(表示激活函数；lj卷积特征图ljX的偏置；xdown)(表示池化函数；ljb卷积特征图ljX的加性偏置，卷积层或者池化层后都需要将偏移量添加到每个输出特征映射图中的每个像素上[31]。由图2-3可知在进行最大值池化时，输出的第一个值是max（3,2,5,6）=6；均值池化时，输出的第一个值是（3+2+5+6）/4=4。通过池化层操作后，减少了网络中参数的数量，降低了统计特征的维度，并且不易形成过拟合。通过减少数据量从而缩小图像的规模，进而提升系统整体计算速度。但此时的网络还是线性结构，因此需要加入激活函数对网络做非线性变换。2.1.3激活函数在没有添加激活函数的传统网络中，网络的表达方式可以看做线性表达，即使网络的深度加深，网络也很难有效地模拟实际环境中非线性分布的数据[32]，只能是线性映射


本文编号：3431587