基于深度学习的舰船目标检测算法与硬件加速

摘要：

现有基于深度学习的检测算法,虽然有效提高了高分辨率遥感图像中的舰船目标检测准确率,但是由于其网络结构非常复杂,导致计算量和参数量巨大.为了满足实际应用中的实时性要求,采用异构硬件加速,并进行了相应的算法优化.为了更好地贴合硬件,首先在YOLOV3算法的基础上,通过对主干网络进行改进,设计并实现了YOLOV3&MobileNetV3轻量化网络,这样可以极大地削减网络的参数规模和计算量.然后在现场可编程逻辑门阵列(FPGA)平台,通过设计卷积神经网络加速器,实现了高效的轻量化神经网络.最后实验结果表明,改进的神经网络在自主研发的FPGA加速架构上,在测试集中的船舰目标的检测达到了150帧每秒的检测速度以及0.872的F1值,能够更加快速并有效地检测船舰目标.

关键词：舰船目标检测、轻量化神经网络、神经网络加速器、现场可编程门阵列

所属期刊栏目：41

分类号：TP389.1(计算技术、计算机技术)

资助基金：高等学校基本科研业务费专项2019KJ019

在线出版日期：2021-07-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：162-166