面向星载FPGA感知的高效SAR舰船检测

在获取卫星图像后的数分钟到数小时内进行快速分析，对于许多遥感应用日益重要，并且是开发下一代自主和分布式卫星系统的关键组成部分。星载机器学习（ML）具有进行此类快速分析的潜力，能够克服与地面站或中继卫星间歇性卫星连接相关的延迟，但最先进的模型往往过大或功耗过高，无法在轨部署。使用合成孔径雷达（SAR）进行舰船检测是海事安全中一项关键的时间敏感型应用，它体现了这一挑战。此前，SAR舰船检测仅通过ML模型实现，这些模型要么过大无法部署在卫星上，要么未针对足够低功耗的硬件进行开发，要么仅在不能充分代表实际任务难度的小型SAR数据集上进行过测试。在此，我们系统地探索了一系列架构调整，以开发一种针对此任务和基于FPGA的处理优化的新型YOLOv8架构。我们将模型部署在Kria KV260 MPSoC上，并展示它可以在不到一分钟内分析一幅约7亿像素的SAR图像，且功耗在常见的卫星功耗限制（<10W）内。尽管计算效率分别高出约50倍和2500倍，但我们的模型在最大且最多样化的开放SAR舰船数据集xView3-SAR上的检测和分类性能仅比最先进的基于GPU的模型低约2%和3%。这项工作是对面向时间关键型SAR分析的星载ML以及更自主、可扩展卫星的关键贡献。