在FPGA上优化基于CNN的高光谱图像分类
图像与视频处理
2019-08-21 v1 计算机视觉与模式识别
摘要
高光谱图像（HSI）分类已广泛应用于需要高分类精度和实时处理速度的遥感影像分析应用中。基于卷积神经网络（CNN）的方法已被证明在HSI分类中能达到最先进的精度。然而，与传统方法如支持向量机（SVM）相比，由于HSI的高维特性，CNN模型通常计算量过大，难以实现实时响应。此外，以往用于HSI的CNN模型并非专门为在FPGA等嵌入式设备上高效实现而设计。本文提出了一种考虑硬件效率的新型基于CNN的HSI分类算法。随后提出了一种定制化架构，使所提算法能有效映射到FPGA资源上，从而支持低功耗的实时星上分类。实现结果表明，我们在Xilinx Zynq 706 FPGA开发板上提出的加速器，其速度比英特尔8核至强CPU快70倍以上，比英伟达GeForce 1080 GPU快3倍以上。与以往基于SVM的FPGA加速器相比，我们实现了可比拟的处理速度，但提供了更高的分类精度。
引用
@article{arxiv.1906.11834,
title = {Optimizing CNN-based Hyperspectral Image Classification on FPGAs},
author = {Shuanglong Liu and Ringo S. W. Chu and Xiwei Wang and Wayne Luk},
journal= {arXiv preprint arXiv:1906.11834},
year = {2019}
}
备注
This article is accepted for publication at ARC'2019