2023年全國碩士研究生考試考研英語一試題真題(含答案詳解+作文范文)_第1頁
已閱讀1頁,還剩71頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、隨著大數(shù)據(jù)時代的到來,各種信息呈現(xiàn)爆炸式增長,尤其圖像數(shù)據(jù),不僅豐富而且抽象。傳統(tǒng)的圖像檢索技術與聚類算法受到單機架構的制約,不能滿足當今的實時性需求。為了幫助快速有效的完成圖像檢索,迫切需要分布式處理架構來協(xié)助實現(xiàn)相關機器學習算法,目前分布式框架有很多,其中Spark基于內存的計算模式,非常適合迭代的機器學習算法,而且相比流行多年的Hadoop框架,Spark做機器學習甚至可以快100多倍。所以這里選用Spark分布式計算框架,來實現(xiàn)

2、大數(shù)據(jù)背景下的圖像檢索相關聚類算法。
  文章首先詳細闡述了Spark分布式計算框架的運行原理、編程模型以及機器學習庫,又探討了CUDA架構的編程模型、線程組織結構及對應的硬件架構,然后探討了視覺詞袋模型在圖像檢索架構中的應用及遇到的瓶頸。在此基礎上,結合Spark分布式計算框架與CUDA架構實現(xiàn)了基于Spark-GPU技術的常用的圖像聚類算法K-means,并在Spark以及CUDA架構中分別實現(xiàn)了子空間聚類算法Local Be

3、st-Fit Flat(LBF)。這里主要做了以下三個主要貢獻:
  (1)在Linux操作系統(tǒng)環(huán)境下,搭建了Spark分布式計算平臺與GPU計算環(huán)境,并在Spark以及Spark-GPU云平臺上分別實現(xiàn)了聚類算法K-means,經(jīng)過兩者性能比較,證明了Spark-GPU技術對K-means聚類算法進行了有效加速。
  (2)通過分析子空間聚類算法Local Best-Fit Flat(LBF)的可并發(fā)性,完成了其在Spar

4、k云平臺和CUDA架構上的實現(xiàn),并分析了導致Spark-LBF的低效率的根本原因,然后將最為耗時的C選K個最優(yōu)子空間的任務轉移給適合并行計算的GPU,使得算法性能獲得有效提升。
  (3)總結出基于視覺詞袋模型的圖像檢索解決方案。在模型構建過程中敏銳的觀察到架構的瓶頸所在,將架構中涉及到的圖像聚類算法K-means和子空間聚類算法LBF進行性能優(yōu)化,從而服務于圖像檢索架構。
  經(jīng)過多次對比實驗,表明了基于Spark-GPU

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論