Συντάχθηκε 14-06-2013 13:45
από Eleni Stamataki
Email συντάκτη: estamataki<στο>tuc.gr
Ενημερώθηκε:
-
Ιδιότητα: σύνταξη/αποχώρηση υπάλληλος.
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρονικών Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Προπτυχιακών Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
ΘΕΟΦΙΛΟΥ ΠΑΓΑΝΟΥ
με θέμα
Υλοποίηση Αλγορίθμων Ανίχνευσης και Παρακολούθησης Αντικειμένων σε Παράλληλες Κάρτες Γραφικών
Implementation of Object Detecting and Tracking Algorithms on Parallel Graphic Processing Units
Τετάρτη 26 Ιουνίου 2013, 1μμ
Αίθουσα 137.Π39, Κτίριο Επιστημών, Πολυτεχνειούπολη
Εξεταστική Επιτροπή
Αναπληρωτής Καθηγητής Παπαευσταθίου Ιωάννης(Επιβλέπων)
Καθηγητής Δόλλας Απόστολος
Καθηγητής Ζερβάκης Μιχαήλ
Περίληψη
Η αναγνώριση αντικειμένων και η παρακολούθηση αντικειμένων σε βίντεο είναι σημαντικά υποπεδία της επιστήμης της Μηχανικής Όρασης, ένα ταχέως αναπτυσσόμενο πεδίο των πολυμέσων και των αυτόνομων ρομποτικών συστημάτων. Παρά το γεγονός πως ένα σημαντικός αριθμός προγραμμάτων έχει αναπτυχθεί, παράγοντας πολύ καλά αποτελέσματα, ελλείπονται σε θέματα όπως τη γρήγορη εκτέλεση τους και τη χαμηλή κατανάλωση ενέργειας. Ο λόγος είναι πως αυτά τα προγράμματα είναι συστήματα μεγάλης πολυπλοκότητας με πολλούς και βαρείς υπο-αλγορίθμους. Για αυτή τη διπλωματική εργασία μελετήσαμε δύο προγράμματα της Μηχανικής Όρασης, το Receptive Field Cooccurence Histograms (RFCH) και το Tracking-Learning-Detecting (TLD). Το έργο μας περιελάμβανε την εστίαση των πιο πολύπλοκων και βαρέων τμημάτων αυτών των προγραμμάτων τα οποία ευθύνονται για το μεγαλύτερο όγκο εκτελέσεων, και τη βελτίωση των επιδόσεων τους. Για την επιτάχυνση τους πειραματιστήκαμε με επεκτάσιμο hardware, ειδικά με κάρτες γραφικών της Nvidia. Οι συγκεκριμένες κάρτες γραφικών μπορούν να προγραμματιστούν μέσω μιας υπολογιστικής πλατφόρμας ονόματι CUDA (Compute Unified Device Architecture), προς τις ανάγκες του προγραμματιστή. Οι δικές μας ανάγκες ήταν να παραλληλοποιήσουμε και να επιταχύνουμε τα βαριά τμήματα των RFCH και TLD με αποτελεσματικό τρόπο, ώστε να βελτιώσουμε την επίδοση τους, ένα έργο στο οποίο επιτύχαμε.
Abstract
Object Detection and Video Tracking are important subfields of Computer Vision science, which is a rapidly growing field of multimedia and autonomous robotic systems. In spite of the fact that a significant number of applications have been developed, generating very accurate results, they lack in processing efficiency, fast time execution and low power consumption. The reason is that these applications are highly complex schemes with many heavyweight
sub-algorithms. For this thesis we studied two algorithms of Computer Science, the Receptive Field Cooccurence Histograms (RFCH) and the Tracking-Learning-Detecting (TLD). They belong to the subfields of Computer Science, Object Detection and Video Tracking respectively. Our focus was on the identification of the algorithms hotspots that are responsible for their execution bulk, and the improvement of their performance. For the acceleration of their performance we experimented with scalable hardware, especially with NVidia graphics processor units. These hardware cards can be programmed via a parallel computing platform called CUDA (Compute Unified Device Architecture), towards the needs of a developer. Our needs were to parallelize the hotspots of RFCH and TLD in an efficient way so as to improve their performance, a task in which we succeeded.
Συνημμένα:
-
ΑΝΑΚΟΙΝΩΣΗ ΠΑΓΑΝΟΥ ΘΕΟΦΙΛΟΥ.docx
Μεταφορτώσεις: 104,
Μέγεθος: 28 KB application/vnd.openxmlformats-officedocument.wordprocessingml.document
