Sep, 2023

用于无人机野火图像的分割模型的 FPGA 智能相机实现

PDF
TL;DR通过使用低功耗的可编程门阵列（FPGA）和二值化神经网络（BNN），实现在边缘设备上的成本效益，将计算机视觉算法应用于野火检测、监测和火势评估，从而提高模型吞吐量，并获得可比较的分割性能。
发现论文，激发创造
  • 无人机网络实时野火检测的硬件加速

    本研究旨在开发一种实时图像分类和火灾分割模型，通过对 Jetson Nano P3450 的硬件加速以及 TensorRT 的影响进行综合研究，以在无人机 (UAV) 的计算和能量约束下提高火灾分类的准确性和速度。结果显示与无硬件优化模型相比，分类速度提高了 13％，同时损失和准确性在原始值的 1.225％范围内。

    Jan, 2024

  • SegNet：一种基于分段的深度学习卷积神经网络方法用于无人机野火检测

    通过提出适用于无人机 / 无人机图像的分割神经网络（SegNet）选择方法，该研究旨在缩短特征图以显着提高实时野火检测的处理速度和准确性，从而为全球野火检测增加了实时检测能力、野火检测准确性以及早期野火检测的能力。

    Feb, 2024

  • 利用无人机捕捉的烟雾模式进行野火火焰时序分析的隐蔽检测

    本文提出了一种利用 RGB 相机和语义分割等技术实时探测被树木、烟雾、云等自然障碍物掩盖的野火的方法，并将此方法应用于无人机上以实现精准灭火。

    Jun, 2023

  • ChipNet: 基于 FPGA 的实时 LiDAR 处理用于可驾驶区域分割

    本研究提出了一种基于 CNN 的 FPGA 驱动程序设计，用于实时处理 LiDAR 数据的分割算法。该算法实现了无人驾驶车辆中的可行驶区域分割等关键任务，并且在 LiDAR 数据处理速度上比以往的研究更快且精确性更高。

    Aug, 2018

  • 基于 FPGA 的 LiDAR 数据处理实现实时道路分割

    本研究提出了一种基于 FPGA 的卷积神经网络 (CNN) 设计，用于实时处理激光雷达数据的道路分割算法。通过在 LiDAR 传感器数据上训练神经网络模型，本文实现了高效的硬件设计，并成功实现每个 LiDAR 扫描的实时处理，实现了道路分割的高精度。

    Nov, 2017

  • 自动流程实现压缩卷积神经网络，以实现 FPGA 上的高效边缘计算

    本文研究了一种从训练好的 TensorFlow 模型到基于 FPGA 的二值化卷积神经网络系统的自动流程，并在 Cyclone-V FPGA 设备上实现了二值化的 YOLOV2，通过在目标检测上的实验，证明了与 CPU 和移动 CPU 平台相比，在 FPGA 上进行二值化幻化的模型大小和推理速度都有显著的性能提升。

    Dec, 2017

  • 协同无人机和卷积网络实现高效实时图像识别

    在本文中，我们提出了一种旨在将推理请求分配到资源受限的 UAV 群体的策略，该策略可在无人机上对捕获的图像进行分类，并找到最小的决策延迟，其模型被制定为一个最小化获取图像与做出最终决策之间延迟的优化问题，我们提出了一种名为 DistInference 的在线启发式解决方案，以找到最佳延迟的分层策略，可以用于不同的低决策延迟应用程序以及所有 CNN 类型。

    Jul, 2021

  • 基于 FPGA 的无人机神经推力控制器

    使用 FPGA 硬件板验证了应用于开源微型无人机平台的 RL 低层控制器的功能。

    Mar, 2024

  • 实现边缘智能动态卷积神经网络推理的探索

    本研究提出了动态流式传输模型参数和基于库的方法来实现传统 CNN 架构的可扩展和动态分布式 CNN 推断，利用部分重构技术提高了资源受限的边缘设备的性能，并在 Xilinx PYNQ-Z2 板上实现了 LeNet-5 CNN 模型，具有 92％，86％和 94％的分类准确率。

    Feb, 2022

  • 热图像校准和修正的非配对循环一致对抗网络

    本文介绍了一种提高当前航拍野火数据集质量的方法，旨在适应相机技术的进步，并提出了一种基于 CycleGAN 的流程以及一种新颖的融合方法，通过将配对的 RGB 图像作为属性调节器集成到两个方向的生成器中，从而提高了生成图像的准确性。

    Jan, 2024