使用神经形态硬件实现卫星图像中的低功耗船舶检测
计算机视觉与模式识别
2024-06-18 v1
摘要
将地球观测图像数据从卫星传输到地面站会消耗大量的功率和带宽。对于海上船舶检测，星上数据处理可以识别船舶并减少发送到地面的数据量。然而，大多数星上捕获的图像仅包含水体或陆地，Airbus Ship Detection数据集显示只有22.1%的图像包含船舶。我们设计了一个低功耗的两阶段系统来优化性能，而不是依赖单个复杂模型。第一阶段是一个轻量级二元分类器，作为门控机制来检测船舶的存在。该阶段运行在Brainchip的Akida 1.0上，利用激活稀疏性来最小化动态功耗。第二阶段采用YOLOv5目标检测模型来识别船舶的位置和大小。该方法实现了76.9%的平均精度（mAP），当仅对包含船舶的图像进行评估时，通过减少误报，mAP提高到79.3%。此外，我们计算得出，在NVIDIA Jetson Nano设备上评估整个验证集需要111.4 kJ的能量。我们的两阶段系统将此能耗降低到27.3 kJ，不到原来的四分之一，展示了异构计算系统的效率。
引用
@article{arxiv.2406.11319,
title = {Low-power Ship Detection in Satellite Images Using Neuromorphic Hardware},
author = {Gregor Lenz and Douglas McLelland},
journal= {arXiv preprint arXiv:2406.11319},
year = {2024}
}