Ein einzelner Graph-Convolution ist alles, was Sie brauchen: Effiziente Klassifikation von Graustufenbildern

Bildklassifizierer für domainspezifische Aufgaben wie die automatische Zielerkennung bei Synthetic Aperture Radar (SAR ATR) und die Klassifikation von Brust-Röntgenaufnahmen beruhen häufig auf Faltungsneuralen Netzen (Convolutional Neural Networks, CNNs). Obwohl diese Netzwerke leistungsstark sind, weisen sie aufgrund der hohen Anzahl durchzuführender Operationen eine hohe Latenz auf, was in zeitkritischen Anwendungen problematisch sein kann. Viele Bildklassifizierungsmodelle sind darauf ausgelegt, sowohl mit RGB- als auch mit Graustufen-Datensätzen zu arbeiten, doch Klassifizierer, die ausschließlich auf Graustufenbildern operieren, sind seltener. Die Klassifikation von Graustufenbildern hat entscheidende Anwendungen in Bereichen wie der medizinischen Bildgebung und der SAR ATR. Daraufhin präsentieren wir einen neuartigen Ansatz zur Klassifikation von Graustufenbildern, der eine vektorisierte Darstellung von Bildern nutzt. Durch die Ausnutzung der geringen Komplexität von Multi-Layer Perceptrons (MLPs) behandeln wir Bilder als Vektoren und vereinfachen das Problem somit auf die Klassifikation von Graustufenbildern. Unser Ansatz integriert eine einzelne Graphen-Faltungs-Schicht in batchweise Weise, was die Genauigkeit verbessert und die Leistungsvarianz verringert. Zudem entwickeln wir einen maßgeschneiderten Beschleuniger auf FPGA für unser Modell, wobei mehrere Optimierungen zur Leistungssteigerung implementiert werden. Experimentelle Ergebnisse auf Benchmark-Datensätzen für Graustufenbilder belegen die Wirksamkeit unseres Ansatzes: Die Latenz wird signifikant reduziert (bis zu 16-fach geringer auf MSTAR), während die Leistung mit oder über den Stand der Technik bei SAR ATR und medizinischer Bildklassifikation liegt.