卷積檢測模型的GPU加速研究.pdf

1、近年來，形變部件模型和卷積神經(jīng)網(wǎng)絡(luò)等卷積檢測模型在目標(biāo)檢測領(lǐng)域取得了極大的成功。這類模型能夠進(jìn)行大規(guī)模的機(jī)器學(xué)習(xí)訓(xùn)練，實(shí)現(xiàn)較高的魯棒性和識(shí)別性能。然而訓(xùn)練和檢測過程中卷積運(yùn)算巨大的計(jì)算開銷，卻限制了其在諸多實(shí)際場景中進(jìn)一步地應(yīng)用。幸運(yùn)的是，GPU通用并行計(jì)算技術(shù)日益成熟，為加速卷積檢測模型提供了可行的解決方案。
　　本文在深入研究卷積檢測模型，分析其性能瓶頸后，本文在不損失檢測精度的前提下，利用數(shù)學(xué)理論和并行技術(shù)對(duì)卷積檢測模型實(shí)現(xiàn)

2、了算法和硬件的雙重加速。在算法層面，通過應(yīng)用卷積定理，將空間域中的卷積運(yùn)算轉(zhuǎn)換為頻率域中的點(diǎn)乘運(yùn)算來降低模型計(jì)算復(fù)雜度，同時(shí)利用啟發(fā)式裝箱算法有效地平衡了存儲(chǔ)開銷和計(jì)算開銷之間的矛盾。在PASCAL VOC數(shù)據(jù)集上的實(shí)驗(yàn)表明，此頻域加速算法能夠在保證檢測精度的情況下有效地加速卷積檢測模型。在硬件層面，分析頻域加速算法并行性的基礎(chǔ)上，使用OpenCL對(duì)其進(jìn)行了GPU加速實(shí)現(xiàn)，并采用內(nèi)存訪問優(yōu)化、數(shù)據(jù)傳輸優(yōu)化、控制流優(yōu)化等OpenCL優(yōu)化方