Dissertação
Hyperspectral Image Classification on FPGA with Convolutional Neural Networks EVALUATED
Imagens Hiperespectrais (HSI) capturam informação importante sobre a superfície da terra. Esta informação pode ser usada para uma ampla variedade de aplicações, desde gestão do ambiente à a agricultura, entre outros. Executar modelos de classificação de imagens para dados hiperespectrais localmente, permite uma melhor proteção de dados, reduz a latência na transmissão de dados, e permite decisões em tempo real à medida que os dados são obtidos. Redes convolucionais neuronais (CNN) projetadas especificamente para classificar dados Hiperespectrais demonstraram uma precisão na classificação de última geração. Contudo, estes modelos são muito intensivo computacionalmente para serem implementados num sistema embebido de tempo real. Este trabalho propõe um sistema hardware/software para classificação de imagens hiperespectrais num SoC-FPGA. Uma rede neuronal convolucional profunda pré-existente desenvolvida especificamente para classificação de imagens hiperespectrais foi optimizada para ser implementada em hardware e um acelerador hardware dedicado foi projetado para executar o modelo com desempenho alto. O número e tamanho de filtros foi cortado, para reduzir a complexidade do modelo e uma quantização agressiva (ativações de 4 bits e pesos de 2 bits) foi considerada de modo a melhorar o desempenho e a utilização de recursos do hardware com quase sem impacto na precisão do modelo. O sistema hardware/software implementado numa Xillinx Zynq UltraScale+ SoC FPGA obteve uma precisão média de 94.5% com um aumento de 260x no tempo de execução, quando comparado com um processador genérico
junho 14, 2023, 15:30
Publicação
Obra sujeita a Direitos de Autor
Orientação
ORIENTADOR
Horácio Cláudio De Campos Neto
Departamento de Engenharia Electrotécnica e de Computadores (DEEC)
Professor Associado