X hits on this document

80 views

0 shares

0 downloads

0 comments

21 / 35

Estado actual de los algoritmos de Reconocimiento de Rostro usando Tecnologı´a GPU

17

Un enfoque que supere ese tipo de problema se presenta en [27]. Aquı´ los autores paralelizan la te´cnica base que subyace en cualquier operacio´n de combinacio´n con un predicado arbitrario, es decir, la combinacio´n de ciclo anidado (NLJ), es una potente base de datos de primitivos que pueden ser utilizados para apoyar a muchas aplicaciones, incluyendo la minerı´a de datos. Todos los experimentos se realizan en los procesadores gra´ficos NVIDIA GT 8500 por el uso de una aplicacio´n compatible con CUDA. Govindaraju [18] demuestran que elementos importantes para el procesamiento de consultas en bases de datos, por ejemplo, clasificacio´n, las selecciones conjuntivas, agregaciones, consultas semi-lineal se puede acelerar significativamente por el uso de las GPUs.

En [36] el principal objetivo es desarrollar un dise˜no gene´rico de la GPGPU que pueda ser utilizados para la aplicacio´n de me´todos de deteccio´n de muchos objetos que comparten una similar estructura de la ventana de exploracio´n. En el artı´culo se centran en la apli- cacio´n de ese dise˜no para la deteccio´n de los peatones, sin embargo, se puede aplicar a cualquier me´todo de deteccio´n de objetos que utiliza el paradigma de la exploracio´n de la ventana.

El algoritmo presentado por Dalal en [14] se considera como una lı´nea base estable, ya que consta con buenos resultados y sencillez de su me´todo utiliza caracterı´sticas HOG (histograma de los gradientes) y un clasificador SVM (Support Vector Machine). Muchos de los nuevos tipos de caracterı´sticas, [10], [22], [28], y clasificadores han sido juzgados en el marco de la ventana de exploracio´n para lograr un mejor rendimiento de la deteccio´n.

La agrupacio´n es una de las principales ae´reas de la minerı´a de datos que usan la GPU para acelerar sus algoritmos y alcanzar un mejor rendimiento. CUDA fue el modelo de programacio´n escogido por Cao F. en [12] donde plantea un enfoque de agrupacio´n en una unidad de procesamiento gra´fico del modelo NVIDIA GeForce GT 6800, que extiende la idea ba´sica del algoritmo K-means para calcular las distancias de una simple entrada del baricentro a todos los objetos, a la vez que se puede hacer de forma simulta´nea en la GPU. Ası´, los autores son capaces de aprovechar la potencia de ca´lculo y el pipeline de la GPU, especialmente para las operaciones ba´sicas, como los ca´lculos de distancia y las comparaciones. El artı´culo [31] se paraleliza el algoritmo K-means para el uso de una GPU mediante el uso de mu´ltiples pasos de varios programas. La aplicacio´n fue acelerada en los procesadores gra´ficos NVIDIA 5900 y NVIDIA 8500 logrando importantes resultados cada vez mayor para los dos procesadores con diferentes tama˜nos de datos y tama˜nos de clu´ster. Sin embargo, los algoritmos de ambos documentos no son transferibles a distintos modelos de GPU.

Segu´n NVIDIA, que es la empresa lı´der en el mercado en esta tecnologı´a, publico´ en el

a˜no 2008 un conjunto de aplicaciones portadas a GPU como se muestran en la tabla 7: Tabla 7. Aplicaciones de la GPU en la actualidad [24]

3D Image Analysis

Broadcast

Acoustics

Astronomy

Automobile visionI

Bioinformatics

Cellular automata Computer Vision

Adaptive radiation therapy Radar

Audio

Wireless

Biological simulation

Video

Computational Fluid Dynamics

Cryptography

CT Reconstruction

Satellite data analysis Reservoir simulation

Data Mining

Film

Financial

Equity training

Digital cinema/projections

Quantum chemistry

Electromagnetic interference Oceanographic research

Holographics cinema Languages

GIS

Network processing

Document info
Document views80
Page views80
Page last viewedWed Dec 07 21:09:31 UTC 2016
Pages35
Paragraphs855
Words14967

Comments