排序方式： 共有2条查询结果，搜索用时 15 毫秒
1
1.
高光谱图像分类算法通常需要逐点对图像中的像素点进行迭代处理,计算复杂度及并行程度存在较大差异。随着高光谱遥感图像空间、光谱和辐射分辨率的不断提升,这些算法无法满足实时处理海量遥感图像数据的需求。通过分析NPU存储计算一体化模式与遥感图像分类算法的实现步骤,设计低功耗CPU+NPU异构资源计算架构的低秩稀疏子空间聚类（LRSSC）算法,将数据密集型计算转移至NPU,并利用NPU数据驱动并行计算和内置AI加速,对基于机器学习算法的海量遥感数据进行实时分类。受到big.LITTLE计算范式的启发,CPU+NPU异构资源计算架构由8 bit和低精度位宽NPU共同组成以提高整体吞吐量,同时减少图网络推理过程中的能量损耗。实验结果表明,与CPU计算架构和CPU+GPU异构计算架构的LRSSC算法相比,CPU+NPU异构计算架构的LRSSC算法在Pavia University遥感数据集下的计算速度提升了3~14倍。 相似文献
2.
在双色散结构编码孔径光谱成像系统(DD-CASSI)的基础上,提出了利用多帧采样图方法(Multi Frame-DD-CASSI),以提高信息采样率,并提出新的数学模型,实现了对三维数据立方体的光谱维压缩编码,充分利用了光谱维数据的相关性,利用32帧采样图恢复数据,达到了0.99的光谱曲线相似度和40 db的图像峰值信噪比. 相似文献
1