基于FPGA的卷积神经网络图像识别算法研究

目前在中央处理器(CPU)中,卷积神经网络存在速度慢、功耗高的缺点,针对深度学习中的卷积神经网络所需计算时间长、消耗资源多、卷积运算量大的问题,提出了使用现场可编程门阵列(FPGA)硬件平台对卷积神经网络图像识别系统进行加速,对卷积神经网络的进行算法改进和加速。设计了卷积层并行计算的流水线模块和池化层改进模块,还通过数据量化的方式减少FPGA资源耗费。最后,使用MINST数据集对算法进行评估,在Zynq7010和CPU上进行验证。实验结果表明,设计的方法资源占用率低,识别速度快,适合实际领域使用。

基于改进巴特沃斯滤波的红外图像增强算法

一般的红外图像存在着对比度低、噪声相对较高、部分细节模糊等特点,在进行后续的工作之前,对其缺陷进行处理是十分重要的。而传统的巴特沃斯滤波去噪在处理红外图像时,存在着细节失真、去噪效果不佳等缺点。针对上述问题,提出了巴特沃斯滤波的改进红外图像增强算法,通过在频域上对图像进行分层,之后再使用改进巴特沃斯滤波分别对其进行处理,并且在MATLAB平台上验证了该算法的有效性。该改进算法在原有的处理效果的基础上,对图像的细节信息进行了突出,与传统算法相比较,该算法具有边缘突出、细节连贯等优点,去噪效果有显著提高。