视频特征提取算子的GPU优化及远程计算的实现
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第8-15页 |
| 1.1 研究意义 | 第8-9页 |
| 1.2 研究现状 | 第9-14页 |
| 1.2.1 Web应用框架发展 | 第9-10页 |
| 1.2.2 GPU通用计算的研究现状 | 第10-13页 |
| 1.2.3 图像处理中GPU通用计算的研究 | 第13-14页 |
| 1.3 论文结构安排 | 第14-15页 |
| 第二章 基于Web的GPU高性能远程计算平台 | 第15-23页 |
| 2.1 GPU高性能远程计算平台功能特征 | 第15-17页 |
| 2.1.1 用户会话管理 | 第15-16页 |
| 2.1.2 并行计算执行 | 第16页 |
| 2.1.3 数据管理 | 第16-17页 |
| 2.2 计算平台架构设计 | 第17-23页 |
| 2.2.1 Web客户端设计 | 第17-19页 |
| 2.2.2 服务器端设计 | 第19-23页 |
| 第三章 GPU高性能计算和CUDA编程 | 第23-35页 |
| 3.1 GPU高性能计算概述 | 第23-26页 |
| 3.1.1 并行计算模式 | 第23-24页 |
| 3.1.2 经典GPGPU计算 | 第24-26页 |
| 3.1.3 基于CUDA的GPGPU计算 | 第26页 |
| 3.2 支持CUDA的GPU硬件架构概述 | 第26-30页 |
| 3.2.1 G80架构 | 第26-28页 |
| 3.2.2 Kepler GK100架构 | 第28-30页 |
| 3.3 CUDA并行编程概述 | 第30-35页 |
| 3.3.1 CUDA编程模型 | 第30-32页 |
| 3.3.2 CUDA的存储器模型 | 第32-33页 |
| 3.3.3 CUDA执行模型与CUDA流 | 第33-35页 |
| 第四章 视频特征提取算子的优化及远程计算 | 第35-57页 |
| 4.1 STIP特征提取算法概述 | 第35-39页 |
| 4.2 STIP特征提取算法的CUDA优化 | 第39-51页 |
| 4.2.1 图像时空域预处理 | 第41-42页 |
| 4.2.2 时域、空间域微分计算 | 第42-44页 |
| 4.2.3 计算Harris角点函数 | 第44-45页 |
| 4.2.4 Harris角点函数的极值 | 第45-47页 |
| 4.2.5 特征向量的计算 | 第47-49页 |
| 4.2.6 CUDA流优化 | 第49页 |
| 4.2.7 实验结果分析 | 第49-51页 |
| 4.3 MoSIFT特征提取算法的CUDA优化 | 第51-53页 |
| 4.3.1 MoSIFT算法概述 | 第51-52页 |
| 4.3.2 MoSIFT算法的CUDA优化 | 第52-53页 |
| 4.4 基于Web的远程计算 | 第53-57页 |
| 4.4.1 特征提取算法的Python封装 | 第54-55页 |
| 4.4.2 Web远程计算的实现 | 第55-57页 |
| 第五章 总结与展望 | 第57-58页 |
| 5.1 本文总结 | 第57页 |
| 5.2 工作展望 | 第57-58页 |
| 参考文献 | 第58-61页 |
| 发表论文和参加科研情况说明 | 第61-62页 |
| 致谢 | 第62-63页 |
