一种卷积神经网络的红外图像目标检测FPGA加速器设计方法技术

一种卷积神经网络的红外图像目标检测FPGA加速器设计方法，可以同时进行多个目标的检测算法，具体目标的类别可以视训练数据集而定，红外图像目标检测方法采用两个不同尺度检测层，可以明显提升小目标的检测准确率，同时基于的低比特量化方法可以方便地移植到其他基于卷积神经网络的模型中，无须对模型进行过多的修改，能够快速有效地实现红外图像目标识别，而且对于红外图像中尺度较小的目标，也能保持高准备率。保持高准备率。保持高准备率。

【技术实现步骤摘要】
一种卷积神经网络的红外图像目标检测FPGA加速器设计方法


[0001]本专利技术涉及一种卷积神经网络的红外图像目标检测FPGA加速器设计方法，属于红外图像识别加速领域领域。

技术介绍

[0002]智能化红外目标识别跟踪技术是航天红外精确制导中的核心领域之一，具有巨大的军事应用价值。早在20世纪70年代末，以美国为代表的几大军事强国均已实施了红外自动目标识别技术的研制方案。90年代之后，伴随着数字信号处理器(DSP)集成电路的出现，它的高速处理数据能力和强大的对外接口功能，使其更适用于图像处理领域，实现了硬件上智能化红外目标自动识别技术的迅速发展。
[0003]随着以卷积神经网络为基础的图像识别等人工智能技术以及光电子技术、计算机技术和网络信息技术的快速发展，信息化时代要求红外目标识别设备具备更强的探测能力和更快的识别速度。红外成像探测技术、自动目标快速识别技术等是现阶段各个国家提高制导武器系统智能化水平的重点发展方向，对这些关键技术的研究和攻关无疑在军事和民用两方面都具有重要的意义。在航天智能红外目标识别跟踪领域，深度学习方法相比于传统本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种卷积神经网络的红外图像目标检测FPGA加速器设计方法，其特征在于步骤如下：(1)采集红外图像数据集，对数据集中的红外目标进行人工标注，并分类为训练集、测试集；(2)设定卷积神经网络模型，设定模型超参数，包括学习率、批大小、迭代次数；(3)读取训练图像数据集，通过卷积神经网络模型进行训练，降低实际网络输出与指定目标输出间的误差值，并进行训练迭代，迭代至步骤(2)设定的指定迭代次数后，停止训练，获取最终卷积神经网络模型；(4)读取测试图像，将测试图像输入至最终卷积神经网络模型中，获取测试图像输出并与实际结果比对，获取检测准确率；(5)对训练完成后的模型权重及卷积神经网络前向推理中生成的特征值进行低比特量化，并重复步骤(3)，完成步骤(3)操作后进入步骤(6)；(6)对低比特量化训练后的卷积神经网络信息进行提取，通过HLS语言进行FPGA加速器设计；(7)进行加速器板上红外检测算法的加速测试。2.根据权利要求1所述的一种卷积神经网络的红外图像目标检测FPGA加速器设计方法，其特征在于：所述步骤(2)中，卷积神经网络模型包括13个卷积层、6个最大池化层、1...

【专利技术属性】
技术研发人员：钮赛赛，杨俊彦，陈海宝，陈杰，林前进，
申请(专利权)人：上海航天控制技术研究所，
类型：发明
国别省市：