高效运算网络在作物叶部病害识别中的研究

卷积神经网络模型参数冗余太大,收敛速度慢,对硬件计算资源要求过高,导致适用性差,不适合布署在边缘侧的嵌入式设备上,且大多数识别模型鲁棒性差,在复杂环境下识别效果不佳。为解决以上问题,设计两个基本模块用于搭建病害识别网络:一是高效残差模块,采用残差和多种卷积分解结构,在保证识别精度的情况下简化模型;二是恒等残差模块,用于加深网络层次,提升网络的拟合能力和抗干扰能力。搭建的高效运算网络对简单背景下的多种作物病害进行识别,训练集的准确率达到99.37%,验证集的准确率达到98.48%。优化损失函数后,训练集和验证集的准确率均在99%以上,收敛速度加快,参数内存仅3.15 MB,降低硬件计算力(FLOPs)的要求到1.71 M。将提出来的模型在复杂背景下进行测试,识别准确率均达到92.6%,且硬件计算力需求,参数内存,识别精度均优于MobileNet和ResNet,为实时检测作物病害提供参考。

CUDA架构下高效红外图像背景预测方法

红外图像背景预测方法是红外图像弱小目标探测与跟踪中的经典方法.针对背景预测算法中卷积运算耗时长的问题,提出一种基于CUDA(Compute Unified Device Architecture)的高效红外图像背景预测方法.在分析背景预测算法执行流程的基础上,充分考虑CUDA架构的特点,将其在CUDA架构下进行了重新实现,利用GPU(Graphic Processing Unit)的强大并行计算能力完成红外图像背景预测的快速计算.为了进一步提升算法的运行效率,将不可分离的背景预测卷积模板分解为多个可分离模板的叠加,并给出了分解卷积模板的一般方法.将该方法应用于实际的红外图像背景预测,结果表明,该方法比传统的CPU计算在运算效率上提高了130倍以上.

用于激光雷达成像仿真的动态场景模型

基于激光雷达成像的基本原理,结合目标表面的空间反射特性,在图形处理器架构下,借助其强大的并行计算能力,建立了激光雷达场景动态仿真模型,实现了不同入射、观测位置条件下目标表面空间辐射亮度分布的计算.针对典型场景进行了模拟实验,并将实验结果与实际激光雷达系统采集到的图像数据进行了对比分析.实验结果表明,模拟结果与实测图像数据在基本特征上是相似的;定量分析结果表明,模拟图像与实际图像在主要特征上是相符的.

ECO跟踪算法中CNN分层插值及加权策略改进

本文是在深度特征与相关滤波相结合的高效卷积运算符(ECO)目标跟踪算法基础上进行的改进。首先,为了提高跟踪速度,提出“浅层特征不插值,深层特征插值”的卷积神经网络(CNN)分层插值处理方法,对具有较高分辨率的浅层特征不插值,对分辨率低的深层特征进行插值计算来提高分辨率;其次,改进了样本空间分类策略,给CNN特征层分配不同的权重,突出不同特征层对样本间距离的影响,并且将所有样本信息都保留在训练样本集中;最后,应用判别尺度空间跟踪(DSST)算法提出的对目标尺度估计的方法,增加了目标尺度的候选数量,使尺度估计更加准确。实验结果验证了所设计算法的有效性。