研究目的
在FPGA平台上实现基于卷积神经网络(CNN)的高光谱分类以进行星载处理,解决GPU平台在空间辐射和电源供应方面的局限性。
研究成果
基于FPGA的卷积神经网络高光谱分类实现通过帕维亚大学数据集的仿真结果得到验证,其性能与基于GPU的实现一致。所设计的硬件模型高效利用了FPGA灵活的架构、快速的计算速度和低功耗特性,使其适用于星载处理。
研究不足
该实现仅关注CNN的前向分类步骤,训练步骤在GPU平台上离线进行。FPGA上的计算精度虽然较高,但由于训练参数被转换为32位单精度浮点数,可能与GPU略有差异。
1:实验设计与方法选择:
采用硬件描述语言设计CNN硬件模型,重点关注前向分类步骤。包括CNN的计算结构、不同层(卷积层、批量归一化层、全连接层)的实现、权重加载方案及数据接口。
2:样本选择与数据来源:
使用ROSIS传感器获取的帕维亚大学数据集进行评估。该数据集包含610×340像素,地面分辨率为1.3米,具有103个光谱波段。
3:3米,具有103个光谱波段。
实验设备与材料清单:
3. 实验设备与材料清单:采用FPGA平台实现CNN模型。该模型涉及存储于片上ROM的数千个参数,并使用FIFO缓冲??榧渲屑涫?。
4:实验流程与操作步骤:
在FPGA上以流水线结构实现CNN模型以最大化计算效率。通过将模型的分类结果与GPU平台获得的结果进行比较来评估其性能。
5:数据分析方法:
从类别精度、总体精度和平均精度方面测量分类准确率。同时分析FPGA实现的计算精度与性能。
独家科研数据包,助您复现前沿成果,加速创新突破
获取完整内容