面向運(yùn)動目標(biāo)檢測與識別應(yīng)用的機(jī)器學(xué)習(xí)算法及其并行優(yōu)化研究.pdf

1、計(jì)算機(jī)視覺和機(jī)器學(xué)習(xí)技術(shù)被廣泛應(yīng)用于數(shù)據(jù)挖掘、信息安全、遙感圖像處理、生物信息學(xué)、智能交通、智能安防和醫(yī)療服務(wù)等領(lǐng)域。作為計(jì)算機(jī)視覺領(lǐng)域中的重要分支之一，運(yùn)動目標(biāo)檢測技術(shù)在現(xiàn)實(shí)場景中得到了廣泛的應(yīng)用，現(xiàn)有的運(yùn)動目標(biāo)檢測方法存在計(jì)算時(shí)間長、復(fù)雜度高等問題，如何滿足現(xiàn)實(shí)場景中的實(shí)時(shí)性問題變得越來越重要。隨著深度學(xué)習(xí)的迅猛發(fā)展，另一個(gè)計(jì)算機(jī)視覺領(lǐng)域中的重要分支——目標(biāo)識別技術(shù)的識別準(zhǔn)確率得到了巨大的提升，然而，由于深度學(xué)習(xí)的網(wǎng)絡(luò)存在網(wǎng)絡(luò)結(jié)構(gòu)復(fù)

2、雜，計(jì)算復(fù)雜度高的問題，如何快速完成深度學(xué)習(xí)網(wǎng)絡(luò)的訓(xùn)練過程成為深度學(xué)習(xí)領(lǐng)域中亟需解決的問題。隨著大數(shù)據(jù)時(shí)代的到來，每天產(chǎn)生海量的無標(biāo)簽數(shù)據(jù)，由于傳統(tǒng)的有監(jiān)督方法需要標(biāo)簽數(shù)據(jù)來完成算法的訓(xùn)練和交叉驗(yàn)證從而完成最終的任務(wù)。然而，由于數(shù)據(jù)量大，人工為數(shù)據(jù)添加標(biāo)簽變得越來越困難,此時(shí)基于無監(jiān)督的聚類算法對于充分挖掘和利用無標(biāo)簽數(shù)據(jù)具有十分重要的意義，聚類算法的性能極大地依賴與相似度矩陣的構(gòu)造，因此，如何充分挖掘相同輸入樣本中信息，對于聚類有非常

3、重要的研究價(jià)值。
　　本文的工作主要概括為以下三個(gè)方面：
　　（1）提出了一種運(yùn)動目標(biāo)檢測應(yīng)用的并行優(yōu)化方法。針對運(yùn)動目標(biāo)檢測應(yīng)用，提出了一種基于異構(gòu)平臺（CPU（通用處理單元）+GPU（通用圖像處理單元））的并行優(yōu)化策略，該方法充分利用異構(gòu)平臺的并行性，根據(jù)運(yùn)動檢測應(yīng)用中不同算法的并行特性采取與之相對應(yīng)的優(yōu)化策略，從而充分挖掘異構(gòu)平臺的并行特性以提高算法的整體執(zhí)行效率。此外，我們根據(jù)異構(gòu)平臺中不同處理單元之間在時(shí)空上相互獨(dú)

4、立的特性，提出了異構(gòu)流水的優(yōu)化策略，從而更進(jìn)一步提高整個(gè)運(yùn)動目標(biāo)檢測應(yīng)用中多個(gè)算法的執(zhí)行效率。
　?。?）提出了一種目標(biāo)識別算法——深度信念網(wǎng)絡(luò)的并行優(yōu)化方法。我們根據(jù)深度信念網(wǎng)絡(luò)算法的特點(diǎn)，提出了一種基于GPU平臺的深度信念網(wǎng)絡(luò)并行優(yōu)化策略，該方法將深度信念網(wǎng)絡(luò)在GPU平臺上進(jìn)行映射，充分利用GPU平臺線程級與線程塊級的兩級并行特性，從而提高深度信念網(wǎng)絡(luò)算法的執(zhí)行效率。其中，我們針對非級聯(lián)訪問的可見層計(jì)算提出了一種新的計(jì)算策略，