面向高光谱图像异常检测的gpu加速器设计

《面向高光谱图像异常检测的gpu加速器设计》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、硕士学位论文面向高光谱图像异常检测的GPU加速器设计GPUAcceleratorDesignforHyperspectralImageAnomalyDetection黄志彬哈尔滨工业大学2018年6月国内图书分类号：TP183学校代码：10213国际图书分类号：621.3密级：公开工学硕士学位论文面向高光谱图像异常检测的GPU加速器设计硕士研究生：黄志彬导师：彭宇教授申请学位：工学硕士学科：仪器科学与技术所在单位：电气工程及自动化学院答辩日期：2018年6月授予学位单位：哈尔滨工业大学ClassifiedIndex：TP183U.D.C:621.

2、3DissertationfortheMasterDegreeinEngineeringGPUAcceleratorDesignforHyperspectralImageAnomalyDetectionCandidate:HuangZhibinSupervisor:Prof.PengYuAcademicDegreeAppliedfor:MasterofEngineeringSpeciality:InstrumentScienceandTechnologyAffiliation:SchoolofElectricalEngineeringDateof

3、Defense:June,2018Degree-Conferring-Institution:HarbinInstituteofTechnology摘要摘要堆叠自编码器（StackedAutoencoder，SAE）作为一种非监督深度学习方法，以其优秀的非线性拟合能力在高光谱图像异常检测应用研究中获得较好检测精度。然而SAE庞大的计算量带来长计算耗时成为其在高光谱图像异常检测实际应用的主要瓶颈。为解决该问题，依托目前高性能计算主流处理器平台GPU（GrapgicProcessingUnit）的大规模并行计算能力和高访存带宽的优势，开展面向高光谱图

4、像异常检测的GPU加速器设计。课题工作可为高光谱图像异常目标实时检测方法的应用提供一种可行的解决方案，同时也可为其他机器学习算法的GPU加速器设计提供参考。本课题从SAE模型训练和模型推理两个过程开展工作，针对模型训练过程计算量大和计算耗时长的问题，采用GPU服务器开展训练加速器的设计；针对算法推理过程低延迟的需求，以及计算平台体积和功耗受限的矛盾，采用嵌入式GPU开展推理加速器的设计。论文的主要工作包括以下内容：首先，对基于SAE的高光谱图像异常检测的原理进行分析，设计基于SAE的检测器，并采用两幅真实高光谱图像数据进行模型的性能验证，其AUC

5、值分别可达0.8569和0.9248，优于基准检测器RXD，表明了本文设计基于SAE的高光谱图像异常检测器的合理性和正确性。其次，针对基于SAE的高光谱图像异常检测模型训练过程计算量庞大和耗时长的问题，开展基于CPU+GPU异构系统的训练加速器的设计。为提高计算效率，采用主机计算和设备计算重叠、数据传输和设备计算重叠、设备计算和设备计算重叠三种策略实现粗粒度并行计算。基于真实高光谱图像数据的计算效率测试实验结果表明：本文提出的GPU训练加速器在模型最快收敛速度情况下相比于单核CPU可达到27倍加速，具有显著的加速效果。最后，针对高光谱图像异常检测

6、过程的实时性需求与计算平台体积功耗约束之间的矛盾问题，开展基于嵌入式GPU计算平台的推理加速器设计。通过模型计算图化简及GPU核函数合并的设计降低计算延迟。基于真实高光谱图像数据进行计算效率和功耗的综合实验结果表明：本文所提出的推理加速器的相比于ARM处理器最高可以获得157倍加速比和113倍的能效比，相比于八核DSP最高可以获得71倍的加速比和119倍的能效比。关键词：高光谱图像异常检测；SAE；GPU加速器；模型训练；模型推理I哈尔滨工业大学工学硕士学位论文AbstractAsanunsuperviseddeeplearningalgorit

7、hm,StackedAutoencoder(SAE)hasbeenappliedinhyperspectralimage(HSI)anomalydetectionforitsexcellentnonlinearfittingability.However,andthelongtime-consumingcausedbylargeamountofcalculationhavebecomeamajorbottleneckrestrictingitsapplication.RelyingonGPU’smassiveparallelcomputingca

8、pabilityandhighmemorybandwidth,theGPUacceleratorforHSIanomalydetecti