面向 CubeSat 云检测的高效 FPGA 加速卷积神经网络
信号处理
2025-04-08 v1 机器学习
神经与进化计算
摘要
我们针对资源受限的 CubeSat 任务,实现了四种 FPGA 加速的卷积神经网络(CNN)模型用于在轨云检测,采用 Xilinx 的 Vitis AI(VAI)框架与深度学习处理单元(DPU)——一种针对深度神经网络优化的、带有预实现可参数化 IP 核的可编程引擎——部署于 Zynq UltraScale+ MPSoC 之上。本研究同时探索了像素级(Pixel-Net 与 Patch-Net)与图像级(U-Net 与 Scene-Net)模型,以权衡精度、延迟与模型复杂度。通过应用通道剪枝,我们在精度损失极小的情况下,大幅削减了模型参数(最高达 98.6%)与浮点运算量(最高达 90.7%)。此外,我们使用 VAI 工具将模型量化为 8 位精度,在对精度影响可忽略的前提下确保了硬件性能优化。所有模型在 FPGA 集成后均保持了高准确率,经量化与剪枝后累计最大精度下降仅为 0.6%。图像级 Scene-Net 与 U-Net 模型展现了出色的实时推理能力,每秒帧率分别达到 57.14 与 37.45,功耗约为 2.5 W,超越了现有最先进的在轨云检测方案。我们的方法凸显了基于 DPU 的硬件加速器在扩展小型卫星处理能力方面的潜力,可支持高效灵活的在轨 CNN 应用。
引用
@article{arxiv.2504.03891,
title = {Efficient FPGA-accelerated Convolutional Neural Networks for Cloud Detection on CubeSats},
author = {Angela Cratere and M. Salim Farissi and Andrea Carbone and Marcello Asciolla and Maria Rizzi and Francesco Dell'Olio and Augusto Nascetti and Dario Spiller},
journal= {arXiv preprint arXiv:2504.03891},
year = {2025}
}
备注
11 pages, Published in IEEE Journal on Miniaturization for Air and Space Systems