装甲：通过模型-硬件协同设计实现强大且高效的基于CNN的SAR自动目标识别（ATR）

《ACM Transactions on Reconfigurable Technology and Systems》：ARMOR: Robust and Efficient CNN-Based SAR ATR through Model-Hardware Co-Design

　　

section id="core-tabbed-abstracts" data-core-tabs="abstracts">

摘要AI摘要

要查看此由AI生成的摘要，您必须拥有高级访问权限。

了解更多登录

摘要

摘要

卷积神经网络（CNN）在合成孔径雷达（SAR）自动目标识别（ATR）方面取得了先进的准确率。然而，其高昂的计算成本、延迟和内存占用使得在资源有限的平台上（如小型卫星）部署变得困难。尽管对抗性鲁棒性对实际的SAR ATR至关重要，但在系统级优化中却常常被忽视。同时实现鲁棒性和推理效率需要一个统一的框架，该框架需要考虑对抗性训练的模型以及硬件约束。在本文中，我们提出了一个基于CNN的SAR ATR的模型-硬件协同设计框架，该框架将保持鲁棒性的模型压缩与FPGA加速器设计相结合。压缩阶段包括硬件引导的结构化剪枝，其中从FPGA设计中获得的硬件性能模型可以预测剪枝对延迟和资源使用的影响。这使得能够在用户定义的目标下生成帕累托最优模型，同时保持预定义容差内的对抗性鲁棒性。我们设计了一个FPGA加速器，具有通道感知的处理单元（PE）分配，支持全流水线流处理和时间资源重用架构。自动设计生成流程能够将压缩模型高效地映射到优化的FPGA实现中。在广泛使用的MSTAR和FUSAR-Ship数据集上对三种CNN架构进行的实验表明，我们的框架生成的模型大小最多减少了18.3$\times$，MAC数量减少了3.1$\times$，同时保持了鲁棒性。我们的FPGA实现相比CPU（GPU）基线，推理延迟降低了高达68.1$\times$（6.4$\times$），能源效率提高了高达169.7$\times$（33.2$\times$），证明了所提出的协同设计框架在FPGA平台上实现鲁棒和高效SAR ATR的有效性。

AI摘要

AI生成摘要（实验性）

此摘要是使用自动化工具生成的，并未由文章作者撰写或审阅。它旨在帮助发现，帮助读者评估相关性，并协助来自相关研究领域的读者理解该工作。它旨在补充作者提供的摘要，后者仍然是论文的主要摘要。完整文章仍然是权威版本。点击此处了解更多。

点击此处对摘要的准确性、清晰度和实用性进行评论。这样做将有助于改进和未来的再生版本。

要查看此由AI生成的通俗语言摘要，您必须拥有高级访问权限。