面向高光谱卫星图像的能效 artefact 检测FPGA加速器
硬件体系结构
2024-07-26 v1
摘要
高光谱成像(HSI)是分析来自地球观测卫星获取的遥感数据的关键技术。通过HSI可获得的丰富空间和光谱信息，使对地表特征的表征和探索优于传统的RGB和多光谱成像技术。有时，这些图像因包含云或其他artefact而不包含有意义的信息，限制了其有用性。传输此类artefact HSI图像会导致对稀缺能源和通信时间成本的浪费。虽然在传输HSI图像之前检测此类artefact具有吸引力，但HSI算法的计算复杂度以及卫星(尤其是CubeSat)上有限的功率预算是关键约束。本文提出了一种基于无监督学习的卷积自编码器(CAE)模型，用于在卫星端对获取的HSI图像进行artefact识别，并提出了部署在AMD Zynq Ultrascale FPGA上的部署架构。该模型在广泛使用的HSI图像数据集上进行训练和测试，包括印度谷物、萨利纳斯谷、佩夫亚大学和肯尼斯空间中心。在部署方面，该模型被量化为8位精度，使用Vitis-AI框架微调，并集成为AMD Deep-Learning Processing Units(DPU)实例上的从属加速器。我们的测试表明，该模型可在HSI图像的每个光谱带上处理时间为4毫秒，相较于Nvidia Jetson平台INT8推理快2.6倍，相较于SOTA artefact检测器快1.27倍。我们的模型在数据集上实现92.8%的F1分数和0%的假阳性率(FPR)，每张HSI图像耗能为21.52 mJ，相较于Jetson INT8推理节省3.6倍，相较于SOTA artefact检测器节省7.5倍，为CubeSat的部署提供了可行的方案。
关键词
引用
@article{arxiv.2407.17647,
title = {An Energy-Efficient Artefact Detection Accelerator on FPGAs for Hyper-Spectral Satellite Imagery},
author = {Cornell Castelino and Shashwat Khandelwal and Shanker Shreejith and Sharatchandra Varma Bogaraju},
journal= {arXiv preprint arXiv:2407.17647},
year = {2024}
}