基于深度学习的遥感目标检测算法FPGA部署实现研究

发布时间：2024-06-02 16:12

　　遥感成像一般是指在卫星或飞机上搭载相机对地面目标进行探测、记录以及解释。在遥感应用中,遥感目标检测在军事侦察和灾害监测等领域中具有重要作用,目标检测的精度和速度是这类应用的关键技术指标。随着遥感技术的发展,当前遥感图像空间和时间分辨率不断提高,其数据量迅速增加,给现有计算平台的算力和功耗都带来了巨大的挑战。为了提升遥感目标检测的精度和速度,实现快速部署,本文提出了一种基于超分辨率辅助的目标检测算法,通过超分辨率网络监督和改善特征提取质量,提升了复杂背景中遥感图像小目标检测的性能。在Xilinx公司的PYNQ-Z2 FPGA开发板上,设计了基于FPGA(Field Programmable Gate Array,现场可编程门阵列)的深度学习加速器,联合TVM深度学习编译器,实现从算法模型到FPGA的快速部署,在保证检测精度的前提下,大幅提升了目标检测的速度。本文的主要成果如下:一、提出了一种基于超分辨率辅助的目标检测算法,并在YOLOv3和YOLOv3-tiny算法上进行了验证。本文算法在特征提取网络外部添加了额外的超分辨率网络,对特征融合后的低级纹理特征和高级语义特征进行监督,并对整个...

【文章页数】：73 页

【部分图文】：

图2.1LeNet-5网络结构图

1989年,YannLeCun等人[8]提出了第一个卷积神经网络LeNet-5。如图2.1所示,LeNet-5主要包含了卷积层、池化层以及全连接层三个部分。这三个基本算子加上激活函数层以及BatchNormalization层[16]构建了现代深度卷积神经网络的基础模型,后续....

图2.2卷积层计算示意图

在卷积层计算中,卷积核以固定步长在输入数据上进行滑动,同时每次滑动计算一次矩阵的内积,最终得到卷积层输出特征图,以实现特征提取的目的,一般根据任务的需要,选择设计多个卷积核。图2.2给出了卷积层计算的示意图。其中卷积层的计算公式可以表示为:

图2.3Sigmoid和Tanh函数曲线图

图2.3(a)展示了Sigmoid函数及其导数曲线图,可以看出该激活函数导数在0值附近较为突出,两端导数比较平稳,这对于数据在特征空间上的映射具有更好的效果,同时该激活函数的值域在0到1之间,因此更加适合应用在二分类任务中。Sigmoid激活函数在计算中需要做对数和除法运算,计算....

图2.4Relu和LeakyRelu函数曲线图

函数及其导数曲线如图2.4(a)所示。从图中可以看到,该函数正半轴导数常为1,避免了训练过程中梯度消失,且在0值导数不连续,因此Relu也是非线性函数。相比于Sigmoid和Tanh,Relu消除了复杂的计算过程,大幅提升了计算速度,但是当输入为负数时会造成神经元的死亡。Leak....

本文编号：3987489