摘要

针对特定领域任务（如合成孔径雷达自动目标识别，SAR ATR）和胸部X光片分类等应用，图像分类模型通常依赖于卷积神经网络（CNN）。尽管CNN具有强大的特征提取能力，但其计算量大、延迟较高，这在实时应用场景中成为显著瓶颈。大多数图像分类模型设计时兼顾RGB与灰度图像数据集，然而专门针对灰度图像的分类器仍相对较少。灰度图像分类在医学影像和SAR ATR等领域具有重要应用价值。针对这一问题，本文提出一种新型的灰度图像分类方法，该方法基于图像的向量化表示。通过利用多层感知机（MLP）结构轻量化的特性，我们将图像直接视为一维向量，从而将问题简化为灰度图像分类任务。在此基础上，我们在批量处理（batch-wise）框架下引入单一图卷积层，有效提升了分类精度并降低了模型性能的波动性。此外，我们为该模型定制了一款基于FPGA的加速器，并集成多项优化技术以进一步提升运行效率。在多个基准灰度图像数据集上的实验结果表明，所提方法具有显著优势：在MSTAR数据集上，延迟最高降低达16倍，同时在SAR ATR与医学图像分类任务中，性能达到或超越当前先进水平，展现出优异的实时性与分类能力。