發(fā)布時間：2024-06-02 16:12

　　遙感成像一般是指在衛(wèi)星或飛機上搭載相機對地面目標進行探測、記錄以及解釋。在遙感應(yīng)用中,遙感目標檢測在軍事偵察和災害監(jiān)測等領(lǐng)域中具有重要作用,目標檢測的精度和速度是這類應(yīng)用的關(guān)鍵技術(shù)指標。隨著遙感技術(shù)的發(fā)展,當前遙感圖像空間和時間分辨率不斷提高,其數(shù)據(jù)量迅速增加,給現(xiàn)有計算平臺的算力和功耗都帶來了巨大的挑戰(zhàn)。為了提升遙感目標檢測的精度和速度,實現(xiàn)快速部署,本文提出了一種基于超分辨率輔助的目標檢測算法,通過超分辨率網(wǎng)絡(luò)監(jiān)督和改善特征提取質(zhì)量,提升了復雜背景中遙感圖像小目標檢測的性能。在Xilinx公司的PYNQ-Z2 FPGA開發(fā)板上,設(shè)計了基于FPGA(Field Programmable Gate Array,現(xiàn)場可編程門陣列)的深度學習加速器,聯(lián)合TVM深度學習編譯器,實現(xiàn)從算法模型到FPGA的快速部署,在保證檢測精度的前提下,大幅提升了目標檢測的速度。本文的主要成果如下:一、提出了一種基于超分辨率輔助的目標檢測算法,并在YOLOv3和YOLOv3-tiny算法上進行了驗證。本文算法在特征提取網(wǎng)絡(luò)外部添加了額外的超分辨率網(wǎng)絡(luò),對特征融合后的低級紋理特征和高級語義特征進行監(jiān)督,并對整個...

【文章頁數(shù)】：73 頁

【部分圖文】：

圖2.1LeNet-5網(wǎng)絡(luò)結(jié)構(gòu)圖

1989年,YannLeCun等人[8]提出了第一個卷積神經(jīng)網(wǎng)絡(luò)LeNet-5。如圖2.1所示,LeNet-5主要包含了卷積層、池化層以及全連接層三個部分。這三個基本算子加上激活函數(shù)層以及BatchNormalization層[16]構(gòu)建了現(xiàn)代深度卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)模型,后續(xù)....

圖2.2卷積層計算示意圖

在卷積層計算中,卷積核以固定步長在輸入數(shù)據(jù)上進行滑動,同時每次滑動計算一次矩陣的內(nèi)積,最終得到卷積層輸出特征圖,以實現(xiàn)特征提取的目的,一般根據(jù)任務(wù)的需要,選擇設(shè)計多個卷積核。圖2.2給出了卷積層計算的示意圖。其中卷積層的計算公式可以表示為:

圖2.3Sigmoid和Tanh函數(shù)曲線圖

圖2.3(a)展示了Sigmoid函數(shù)及其導數(shù)曲線圖,可以看出該激活函數(shù)導數(shù)在0值附近較為突出,兩端導數(shù)比較平穩(wěn),這對于數(shù)據(jù)在特征空間上的映射具有更好的效果,同時該激活函數(shù)的值域在0到1之間,因此更加適合應(yīng)用在二分類任務(wù)中。Sigmoid激活函數(shù)在計算中需要做對數(shù)和除法運算,計算....

圖2.4Relu和LeakyRelu函數(shù)曲線圖

函數(shù)及其導數(shù)曲線如圖2.4(a)所示。從圖中可以看到,該函數(shù)正半軸導數(shù)常為1,避免了訓練過程中梯度消失,且在0值導數(shù)不連續(xù),因此Relu也是非線性函數(shù)。相比于Sigmoid和Tanh,Relu消除了復雜的計算過程,大幅提升了計算速度,但是當輸入為負數(shù)時會造成神經(jīng)元的死亡。Leak....

本文編號：3987489