高光譜圖像分類是遙感領域的研究熱點之一,是對地觀測的重要手段,在地物的精細識別等領域具有重要的應用。使用卷積神經網絡（CNN）可以有效地從原始圖像中提取高級特征,具有較高的分類精度。但CNN計算量巨大,對硬件要求較高。為了提高模型計算效率,可以在圖形處理器（GPU）上進行CNN模型的訓練。現(xiàn)有的并行算法,比如GCN（GPU based Cube-CNN）,無法充分利用GPU的并行能力,算法加速效果并不理想。為了進一步提升算法效率,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G-PNPE（GEMM based Parallel Neighbor Pixels Extraction）對輸入數(shù)據(jù)和卷積核進行重新組織排列,實現(xiàn)卷積的并行計算,有效地提高了GPU的利用率并進一步提升了算法的訓練效率。通過分析在三個數(shù)據(jù)集上的實驗結果發(fā)現(xiàn),改進算法的分類精度與原算法保持一致,而且模型的訓練時間縮短了30%左右,表明算法的有效性和優(yōu)越性。 

【文章來源】：激光與光電子學進展. 2020,57(20)北大核心CSCD

【文章頁數(shù)】：7 頁

【文章目錄】：
1 引言
2 Cube-CNN-SVM分類模型
3 GGCN并行計算模型
    3.1 GEMM算法
    3.2 G-PNPE預處理算法
    3.3 模型訓練
4 實驗與結果分析
5 結論


【參考文獻】：
期刊論文
[1]CUDA技術在數(shù)字圖像匹配中的應用[J]. 姜雪茸,魏威.  現(xiàn)代信息科技. 2019(18)
[2]基于Cholesky分解的高光譜實時異常探測的GPU優(yōu)化[J]. 李萍,關桂霞,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網絡的高光譜圖像分類[J]. 劉玉珍,蔣政權,馬飛,張春華.  激光與光電子學進展. 2019(11)
[4]基于卷積神經網絡的高光譜遙感地物多分類識別[J]. 閆苗,趙紅東,李宇海,張潔,趙澤通.  激光與光電子學進展. 2019(02)
[5]卷積神經網絡在圖形處理GPU芯片上的優(yōu)化[J]. 沈恬,胡飛.  集成電路應用. 2017(06)
[6]高光譜圖像處理與信息提取前沿[J]. 張兵.  遙感學報. 2016(05)



本文編號：3638260