發(fā)布時(shí)間：2024-06-02 16:12

　　遙感成像一般是指在衛(wèi)星或飛機(jī)上搭載相機(jī)對(duì)地面目標(biāo)進(jìn)行探測(cè)、記錄以及解釋。在遙感應(yīng)用中,遙感目標(biāo)檢測(cè)在軍事偵察和災(zāi)害監(jiān)測(cè)等領(lǐng)域中具有重要作用,目標(biāo)檢測(cè)的精度和速度是這類應(yīng)用的關(guān)鍵技術(shù)指標(biāo)。隨著遙感技術(shù)的發(fā)展,當(dāng)前遙感圖像空間和時(shí)間分辨率不斷提高,其數(shù)據(jù)量迅速增加,給現(xiàn)有計(jì)算平臺(tái)的算力和功耗都帶來(lái)了巨大的挑戰(zhàn)。為了提升遙感目標(biāo)檢測(cè)的精度和速度,實(shí)現(xiàn)快速部署,本文提出了一種基于超分辨率輔助的目標(biāo)檢測(cè)算法,通過(guò)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(fù)雜背景中遙感圖像小目標(biāo)檢測(cè)的性能。在Xilinx公司的PYNQ-Z2 FPGA開(kāi)發(fā)板上,設(shè)計(jì)了基于FPGA(Field Programmable Gate Array,現(xiàn)場(chǎng)可編程門(mén)陣列)的深度學(xué)習(xí)加速器,聯(lián)合TVM深度學(xué)習(xí)編譯器,實(shí)現(xiàn)從算法模型到FPGA的快速部署,在保證檢測(cè)精度的前提下,大幅提升了目標(biāo)檢測(cè)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(biāo)檢測(cè)算法,并在YOLOv3和YOLOv3-tiny算法上進(jìn)行了驗(yàn)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(duì)特征融合后的低級(jí)紋理特征和高級(jí)語(yǔ)義特征進(jìn)行監(jiān)督,并對(duì)整個(gè)...

【文章頁(yè)數(shù)】：73 頁(yè)

【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(gè)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(gè)部分。這三個(gè)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(jì)算示意圖

在卷積層計(jì)算中,卷積核以固定步長(zhǎng)在輸入數(shù)據(jù)上進(jìn)行滑動(dòng),同時(shí)每次滑動(dòng)計(jì)算一次矩陣的內(nèi)積,最終得到卷積層輸出特征圖,以實(shí)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(jì)多個(gè)卷積核。圖2.2給出了卷積層計(jì)算的示意圖。其中卷積層的計(jì)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(dǎo)數(shù)曲線圖,可以看出該激活函數(shù)導(dǎo)數(shù)在0值附近較為突出,兩端導(dǎo)數(shù)比較平穩(wěn),這對(duì)于數(shù)據(jù)在特征空間上的映射具有更好的效果,同時(shí)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(jì)算中需要做對(duì)數(shù)和除法運(yùn)算,計(jì)算....

圖2.4Relu和LeakyRelu函數(shù)曲線圖

函數(shù)及其導(dǎo)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(dǎo)數(shù)常為1,避免了訓(xùn)練過(guò)程中梯度消失,且在0值導(dǎo)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(fù)雜的計(jì)算過(guò)程,大幅提升了計(jì)算速度,但是當(dāng)輸入為負(fù)數(shù)時(shí)會(huì)造成神經(jīng)元的死亡。Leak....

本文編號(hào)：3987489