Исследование аппаратно-реализованных сверточных нейронных сетей класса U-Net

Abstract

Разработаны и программно-реализованы две сверточные нейронные сети класса U-Net: модификация классической U-Net и U-Net c дилатационными свертками. Для обучения и тестирования сверточных нейронных сетей использованы датасеты на основе снимков с беспилотного летательного аппарата деревьев пихты, поврежденных уссурийским полиграфом. В зависимости от степени повреждения на снимках присутствуют деревья четырех классов и фон. Полученные при обучении весовые коэффициенты для каждой из сверточных нейронных сетей затем использовались при аппаратной реализации сверточных нейронных сетей на программируемой логической интегральной схеме системы на кристалле Zynq 7000 (Kintex FPGA) компании Xilinx. Приведены результаты исследования точности сегментации и производительности каждой аппаратно-реализованной на программируемой логической интегральной схеме сверточной нейронной сети

The authors have developed and implemented two convolutional neural networks of the U-Net class: a modification of the classical U-Net and a U-Net with dilated convolutions. For training and testing convolutional neural networks, data sets were used based on images from an unmanned aerial vehicle of fir trees damaged by the Ussuri polygraph. Depending on the degree of damage, the images contain trees of four classes and a background. The weights obtained during training for each of convolutional neural network were then used in the hardware implementation of the convolutional neural networks on a programmable logic integrated circuit of the Xilinx Zynq 7000 (Kintex FPGA) system-on-chip. The paper introduces the results of the study of segmentation accuracy and performance of each convolutional neural network implemented on programmable logic integrated circuits