高光譜圖像分類(lèi)是遙感領(lǐng)域的研究熱點(diǎn)之一,是對(duì)地觀測(cè)的重要手段,在地物的精細(xì)識(shí)別等領(lǐng)域具有重要的應(yīng)用。使用卷積神經(jīng)網(wǎng)絡(luò)（CNN）可以有效地從原始圖像中提取高級(jí)特征,具有較高的分類(lèi)精度。但CNN計(jì)算量巨大,對(duì)硬件要求較高。為了提高模型計(jì)算效率,可以在圖形處理器（GPU）上進(jìn)行CNN模型的訓(xùn)練�，F(xiàn)有的并行算法,比如GCN（GPU based Cube-CNN）,無(wú)法充分利用GPU的并行能力,算法加速效果并不理想。為了進(jìn)一步提升算法效率,提出基于通用矩陣乘法（GEMM）算法的GGCN（GPU based Cube-CNN improved by GEMM）并行加速算法,通過(guò)G-PNPE（GEMM based Parallel Neighbor Pixels Extraction）對(duì)輸入數(shù)據(jù)和卷積核進(jìn)行重新組織排列,實(shí)現(xiàn)卷積的并行計(jì)算,有效地提高了GPU的利用率并進(jìn)一步提升了算法的訓(xùn)練效率。通過(guò)分析在三個(gè)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果發(fā)現(xiàn),改進(jìn)算法的分類(lèi)精度與原算法保持一致,而且模型的訓(xùn)練時(shí)間縮短了30%左右,表明算法的有效性和優(yōu)越性。 

【文章來(lái)源】：激光與光電子學(xué)進(jìn)展. 2020,57(20)北大核心CSCD

【文章頁(yè)數(shù)】：7 頁(yè)

【文章目錄】：
1 引言
2 Cube-CNN-SVM分類(lèi)模型
3 GGCN并行計(jì)算模型
    3.1 GEMM算法
    3.2 G-PNPE預(yù)處理算法
    3.3 模型訓(xùn)練
4 實(shí)驗(yàn)與結(jié)果分析
5 結(jié)論


【參考文獻(xiàn)】：
期刊論文
[1]CUDA技術(shù)在數(shù)字圖像匹配中的應(yīng)用[J]. 姜雪茸,魏威.  現(xiàn)代信息科技. 2019(18)
[2]基于Cholesky分解的高光譜實(shí)時(shí)異常探測(cè)的GPU優(yōu)化[J]. 李萍,關(guān)桂霞,吳太夏,彭波,黃曉.  傳感器與微系統(tǒng). 2019(03)
[3]基于超圖和卷積神經(jīng)網(wǎng)絡(luò)的高光譜圖像分類(lèi)[J]. 劉玉珍,蔣政權(quán),馬飛,張春華.  激光與光電子學(xué)進(jìn)展. 2019(11)
[4]基于卷積神經(jīng)網(wǎng)絡(luò)的高光譜遙感地物多分類(lèi)識(shí)別[J]. 閆苗,趙紅東,李宇海,張潔,趙澤通.  激光與光電子學(xué)進(jìn)展. 2019(02)
[5]卷積神經(jīng)網(wǎng)絡(luò)在圖形處理GPU芯片上的優(yōu)化[J]. 沈恬,胡飛.  集成電路應(yīng)用. 2017(06)
[6]高光譜圖像處理與信息提取前沿[J]. 張兵.  遙感學(xué)報(bào). 2016(05)



本文編號(hào)：3638260