| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-19页 |
| 1.1 课题背景及研究目的和意义 | 第9-10页 |
| 1.2 国内外研究现状分析 | 第10-17页 |
| 1.2.1 高光谱图像异常检测发展现状 | 第10-11页 |
| 1.2.2 深度学习训练加速器研究现状 | 第11-15页 |
| 1.2.3 深度学习模型推理加速器研究现状 | 第15-17页 |
| 1.3 本文的研究内容与结构 | 第17-19页 |
| 第2章 基于SAE的高光谱图像异常检测方法 | 第19-33页 |
| 2.1 引言 | 第19页 |
| 2.2 基于SAE的高光谱图像异常检测器原理 | 第19-25页 |
| 2.2.1 SAE的原理 | 第20-22页 |
| 2.2.2 SAE模型参数优化 | 第22-24页 |
| 2.2.3 SAE模型超参数寻优 | 第24-25页 |
| 2.3 基于SAE的高光谱图像异常检测器实现 | 第25-27页 |
| 2.3.1 Tensorflow简介 | 第25-26页 |
| 2.3.2 SAE模型训练设计 | 第26-27页 |
| 2.4 异常检测方法验证及分析 | 第27-31页 |
| 2.4.1 实验数据说明 | 第27-29页 |
| 2.4.2 实验评价指标 | 第29-30页 |
| 2.4.3 实验结果分析 | 第30-31页 |
| 2.5 本章小结 | 第31-33页 |
| 第3章 基于GPU服务器的高光谱图像异常检测模型训练加速器设计 | 第33-50页 |
| 3.1 引言 | 第33页 |
| 3.2 GPU工作原理 | 第33-38页 |
| 3.2.1 CPU和GPU的区别及协作方式 | 第33-35页 |
| 3.2.2 GPU硬件结构及CUDA执行模型 | 第35-38页 |
| 3.3 GPU任务级别并行计算设计 | 第38-43页 |
| 3.3.1 重叠主机计算和设备计算 | 第38-40页 |
| 3.3.2 重叠主机与设备间的数据传输和设备计算 | 第40-42页 |
| 3.3.3 重叠设备计算 | 第42-43页 |
| 3.4 加速器设计实验结果分析 | 第43-49页 |
| 3.4.1 实验平台介绍 | 第43页 |
| 3.4.2 加速器计算效率实验结果分析 | 第43-49页 |
| 3.5 本章小结 | 第49-50页 |
| 第4章 基于嵌入式GPU的高光谱图像异常检测模型推理加速器设计 | 第50-60页 |
| 4.1 引言 | 第50页 |
| 4.2 嵌入式GPU计算平台介绍 | 第50-51页 |
| 4.3 基于TensorRT的高光谱图像异常检测模型推理加速设计 | 第51-54页 |
| 4.3.1 Tensorflow模型导出 | 第52-53页 |
| 4.3.2 TensorRT读取模型及执行 | 第53-54页 |
| 4.4 高光谱图像异常检测模型推理加速实验结果分析 | 第54-59页 |
| 4.4.1 实验环境 | 第54-55页 |
| 4.4.2 实验结果分析 | 第55-59页 |
| 4.5 本章小结 | 第59-60页 |
| 结论 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 攻读硕士学位期间发表的论文及其他成果 | 第66-68页 |
| 致谢 | 第68页 |
