堆疊自編碼器(Stacked Autoencoder,SAE)作為一種非監(jiān)督深度學(xué)習(xí)方法,以其優(yōu)秀的非線性擬合能力在高光譜圖像異常檢測(cè)應(yīng)用研究中獲得較好檢測(cè)精度。然而SAE龐大的計(jì)算量帶來(lái)長(zhǎng)計(jì)算耗時(shí)成為其在高光譜圖像異常檢測(cè)實(shí)際應(yīng)用的主要瓶頸。為解決該問(wèn)題,依托目前高性能計(jì)算主流處理器平臺(tái)GPU(Grapgic Processing Unit)的大規(guī)模并行計(jì)算能力和高訪存帶寬的優(yōu)勢(shì),開(kāi)展面向高光譜圖像異常檢測(cè)的GPU加速器設(shè)計(jì)。課題工作可為高光譜圖像異常目標(biāo)實(shí)時(shí)檢測(cè)方法的應(yīng)用提供一種可行的解決方案,同時(shí)也可為其他機(jī)器學(xué)習(xí)算法的GPU加速器設(shè)計(jì)提供參考。本課題從SAE模型訓(xùn)練和模型推理兩個(gè)過(guò)程開(kāi)展工作,針對(duì)模型訓(xùn)練過(guò)程計(jì)算量大和計(jì)算耗時(shí)長(zhǎng)的問(wèn)題,采用GPU服務(wù)器開(kāi)展訓(xùn)練加速器的設(shè)計(jì);針對(duì)算法推理過(guò)程低延遲的需求,以及計(jì)算平臺(tái)體積和功耗受限的矛盾,采用嵌入式GPU開(kāi)展推理加速器的設(shè)計(jì)。論文的主要工作包括以下內(nèi)容:首先,對(duì)基于SAE的高光譜圖像異常檢測(cè)的原理進(jìn)行分析,設(shè)計(jì)基于SAE的檢測(cè)器,并采用兩幅真實(shí)高光譜圖像數(shù)據(jù)進(jìn)行模型的性能驗(yàn)證,其AUC值分別可達(dá)0.8569和0.9248,優(yōu)于基準(zhǔn)檢測(cè)器RXD,表明了本文設(shè)計(jì)基于SAE的高光譜圖像異常檢測(cè)器的合理性和正確性。其次,針對(duì)基于SAE的高光譜圖像異常檢測(cè)模型訓(xùn)練過(guò)程計(jì)算量龐大和耗時(shí)長(zhǎng)的問(wèn)題,開(kāi)展基于CPU+GPU異構(gòu)系統(tǒng)的訓(xùn)練加速器的設(shè)計(jì)。為提高計(jì)算效率,采用主機(jī)計(jì)算和設(shè)備計(jì)算重疊、數(shù)據(jù)傳輸和設(shè)備計(jì)算重疊、設(shè)備計(jì)算和設(shè)備計(jì)算重疊三種策略實(shí)現(xiàn)粗粒度并行計(jì)算�；谡鎸�(shí)高光譜圖像數(shù)據(jù)的計(jì)算效率測(cè)試實(shí)驗(yàn)結(jié)果表明:本文提出的GPU訓(xùn)練加速器在模型最快收斂速度情況下相比于單核CPU可達(dá)到27倍加速,具有顯著的加速效果。最后,針對(duì)高光譜圖像異常檢測(cè)過(guò)程的實(shí)時(shí)性需求與計(jì)算平臺(tái)體積功耗約束之間的矛盾問(wèn)題,開(kāi)展基于嵌入式GPU計(jì)算平臺(tái)的推理加速器設(shè)計(jì)。通過(guò)模型計(jì)算圖化簡(jiǎn)及GPU核函數(shù)合并的設(shè)計(jì)降低計(jì)算延遲�；谡鎸�(shí)高光譜圖像數(shù)據(jù)進(jìn)行計(jì)算效率和功耗的綜合實(shí)驗(yàn)結(jié)果表明:本文所提出的推理加速器的相比于ARM處理器最高可以獲得157倍加速比和113倍的能效比,相比于八核DSP最高可以獲得71倍的加速比和119倍的能效比。
【學(xué)位單位】：哈爾濱工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2018
【中圖分類】：TP751
【部分圖文】：

輸入圖像重建圖像二值化后的重建誤差圖 2-1 SAE 異常目標(biāo)檢測(cè)器計(jì)算過(guò)程基于 SAE 的高光譜圖像異常檢測(cè)在進(jìn)行異常目標(biāo)檢測(cè)之前需要利用高光像數(shù)據(jù)進(jìn)行 SAE 模型參數(shù)優(yōu)化以及超參數(shù)的尋優(yōu)，在下文中對(duì) SAE 的基本、模型參數(shù)優(yōu)化以及超參數(shù)尋優(yōu)過(guò)程進(jìn)行介紹。.2.1 SAE 的原理SAE 是由自編碼器（Autoencoder，AE）演化而來(lái)，SAE 是由多個(gè) AE 組成，故本小節(jié)將介紹一下 AE 的原理。AE 是一種單隱藏層的神經(jīng)網(wǎng)絡(luò)模型絡(luò)呈對(duì)稱結(jié)構(gòu)，如圖 2-2 所示。AE 由一個(gè)編碼器和一個(gè)解碼器組合而成。器將輸入數(shù)據(jù)轉(zhuǎn)換成一種不同的表示，而解碼器將這個(gè)新的表示轉(zhuǎn)換到原形式。AE的目的是期望輸入數(shù)據(jù)經(jīng)過(guò)編碼器和解碼器之后盡可能多被重建 AE 組合而成的 SAE 同樣具備對(duì)輸入數(shù)據(jù)進(jìn)行重建的能力。本課題基于 S高光譜圖像異常檢測(cè)的主要思想就是希望 SAE 的輸出能夠盡可能多地對(duì)背元進(jìn)行重建。

圖 2-1 SAE 異常目標(biāo)檢測(cè)器計(jì)算過(guò)程譜圖像異常檢測(cè)在進(jìn)行異常目標(biāo)檢測(cè)型參數(shù)優(yōu)化以及超參數(shù)的尋優(yōu)，在下文及超參數(shù)尋優(yōu)過(guò)程進(jìn)行介紹。器（Autoencoder，AE）演化而來(lái)，SA紹一下 AE 的原理。AE 是一種單隱藏圖 2-2 所示。AE 由一個(gè)編碼器和一個(gè)成一種不同的表示，而解碼器將這個(gè)期望輸入數(shù)據(jù)經(jīng)過(guò)編碼器和解碼器之E 同樣具備對(duì)輸入數(shù)據(jù)進(jìn)行重建的能測(cè)的主要思想就是希望 SAE 的輸出能z重建數(shù)據(jù)

( )z z=z δW y + b中 y 為解碼器的輸入，zW 為解碼器的權(quán)重，zb 為編碼器的偏置，活函數(shù)， z 為解碼器的輸出且是整個(gè)自編碼器的輸出。首先，將作為解碼器的輸入和解碼器的權(quán)重zW 進(jìn)行矩陣乘法運(yùn)算；然后將的結(jié)果和解碼器的偏置zb 進(jìn)行矩陣加法；最后將矩陣加法的結(jié)果函數(shù)δ 進(jìn)行非線性變化得到解碼器每一個(gè)神經(jīng)元的輸出，同時(shí)也輸出。E 是僅包含一層隱藏層的全連接神經(jīng)網(wǎng)絡(luò)，對(duì)于高光譜圖像光譜信征的表達(dá)能力十分有限。深度神經(jīng)網(wǎng)絡(luò)包含了三層或三層以上的夠提取更為復(fù)雜的輸入特征，SAE 就是一個(gè)包含三層或三層及以經(jīng)網(wǎng)絡(luò)。SAE 是由輸入層和多個(gè) AE 的隱藏層依次連接構(gòu)成的深隨著網(wǎng)絡(luò)隱藏層層數(shù)的增加，網(wǎng)絡(luò)能夠以更加緊湊簡(jiǎn)潔的方式來(lái)像像元的光譜信息之間的非線性關(guān)系，一個(gè)具有 3 層隱藏層的 S-3 所示：輸入層 隱藏層0 隱藏層1 隱藏層2 輸出層
【參考文獻(xiàn)】

相關(guān)期刊論文 前4條

1 韓繼國(guó);;摩爾定律失效后的芯片走向[J];集成電路應(yīng)用;2015年10期

2 董代潔;全成斌;田淑珍;趙有健;;微型計(jì)算機(jī)系統(tǒng)接口技術(shù)課程實(shí)驗(yàn)探索[J];計(jì)算機(jī)教育;2013年18期

3 徐衛(wèi)志;宋風(fēng)龍;劉志勇;范東睿;余磊;張帥;;眾核處理器片上同步機(jī)制和評(píng)估方法研究[J];計(jì)算機(jī)學(xué)報(bào);2010年10期

4 賀霖;潘泉;邸韡;李遠(yuǎn)清;;高光譜圖像目標(biāo)檢測(cè)研究進(jìn)展[J];電子學(xué)報(bào);2009年09期

相關(guān)博士學(xué)位論文 前2條

1 張濤;高性能低能耗GPGPU計(jì)算技術(shù)研究[D];上海交通大學(xué);2015年

2 梅鋒;基于核機(jī)器學(xué)習(xí)的高光譜異常目標(biāo)檢測(cè)算法研究[D];哈爾濱工程大學(xué);2009年

相關(guān)碩士學(xué)位論文 前6條

1 陳宇佳;高光譜遙感影像亞像元定位技術(shù)研究[D];中國(guó)地質(zhì)大學(xué)(北京);2017年

2 趙洋洋;基于FPGA的深度信念網(wǎng)絡(luò)加速系統(tǒng)研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2017年

3 彭倩;基于非負(fù)矩陣分解的高光譜圖像解混研究[D];中國(guó)科學(xué)院大學(xué)(中國(guó)科學(xué)院遙感與數(shù)字地球研究所);2017年

4 羅建華;深度學(xué)習(xí)在高光譜圖像的降維及分類中的應(yīng)用[D];電子科技大學(xué);2017年

5 武繼瑞;圖像增強(qiáng)在FPGA上的高性能實(shí)現(xiàn)[D];中國(guó)科學(xué)院研究生院(光電技術(shù)研究所);2016年

6 王曉璐;基于Zynq的LS-SVM算法加速器設(shè)計(jì)[D];哈爾濱工業(yè)大學(xué);2015年

本文編號(hào)：2860573