面向運動目標檢測與識別應用的機器學習算法及其并行優(yōu)化研究.pdf

1、計算機視覺和機器學習技術被廣泛應用于數據挖掘、信息安全、遙感圖像處理、生物信息學、智能交通、智能安防和醫(yī)療服務等領域。作為計算機視覺領域中的重要分支之一，運動目標檢測技術在現實場景中得到了廣泛的應用，現有的運動目標檢測方法存在計算時間長、復雜度高等問題，如何滿足現實場景中的實時性問題變得越來越重要。隨著深度學習的迅猛發(fā)展，另一個計算機視覺領域中的重要分支——目標識別技術的識別準確率得到了巨大的提升，然而，由于深度學習的網絡存在網絡結構復

2、雜，計算復雜度高的問題，如何快速完成深度學習網絡的訓練過程成為深度學習領域中亟需解決的問題。隨著大數據時代的到來，每天產生海量的無標簽數據，由于傳統(tǒng)的有監(jiān)督方法需要標簽數據來完成算法的訓練和交叉驗證從而完成最終的任務。然而，由于數據量大，人工為數據添加標簽變得越來越困難,此時基于無監(jiān)督的聚類算法對于充分挖掘和利用無標簽數據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、重要的研究價值。
　　本文的工作主要概括為以下三個方面：
　?。?）提出了一種運動目標檢測應用的并行優(yōu)化方法。針對運動目標檢測應用，提出了一種基于異構平臺（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平臺的并行性，根據運動檢測應用中不同算法的并行特性采取與之相對應的優(yōu)化策略，從而充分挖掘異構平臺的并行特性以提高算法的整體執(zhí)行效率。此外，我們根據異構平臺中不同處理單元之間在時空上相互獨

4、立的特性，提出了異構流水的優(yōu)化策略，從而更進一步提高整個運動目標檢測應用中多個算法的執(zhí)行效率。
　?。?）提出了一種目標識別算法——深度信念網絡的并行優(yōu)化方法。我們根據深度信念網絡算法的特點，提出了一種基于GPU平臺的深度信念網絡并行優(yōu)化策略，該方法將深度信念網絡在GPU平臺上進行映射，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絡算法的執(zhí)行效率。其中，我們針對非級聯訪問的可見層計算提出了一種新的計算策略，