卷積檢測(cè)模型的GPU加速研究.pdf

1、近年來(lái)，形變部件模型和卷積神經(jīng)網(wǎng)絡(luò)等卷積檢測(cè)模型在目標(biāo)檢測(cè)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(cè)過(guò)程中卷積運(yùn)算巨大的計(jì)算開(kāi)銷，卻限制了其在諸多實(shí)際場(chǎng)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(cè)模型提供了可行的解決方案。
　　本文在深入研究卷積檢測(cè)模型，分析其性能瓶頸后，本文在不損失檢測(cè)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(cè)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(guò)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(lái)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(kāi)銷和計(jì)算開(kāi)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(cè)精度的情況下有效地加速卷積檢測(cè)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(wèn)優(yōu)化、數(shù)據(jù)傳輸優(yōu)化、控制流優(yōu)化等OpenCL優(yōu)化方