计算机视觉核心算法在移动GPU上的高性能实现
| 摘要 | 第9-10页 |
| ABSTRACT | 第10页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 课题研究背景 | 第11-13页 |
| 1.1.1 移动GPU | 第11页 |
| 1.1.2 图像分类算法 | 第11-12页 |
| 1.1.3 目标跟踪算法 | 第12-13页 |
| 1.2 相关研究现状 | 第13-16页 |
| 1.2.1 图像分类算法研究之CNN | 第13-14页 |
| 1.2.2 目标跟踪算法研究之TLD | 第14-16页 |
| 1.2.3 移动GPU通用计算研究 | 第16页 |
| 1.3 本文工作与创新点 | 第16-17页 |
| 1.3.1 本文工作 | 第16-17页 |
| 1.3.2 本文创新点 | 第17页 |
| 1.4 论文组织结构 | 第17-19页 |
| 第二章 CNN,TLD与移动GPU介绍 | 第19-34页 |
| 2.1 CNN算法原理与MXNet框架 | 第19-26页 |
| 2.1.1 人工神经网络 | 第19-20页 |
| 2.1.2 卷积神经网络 | 第20-23页 |
| 2.1.3 MXNet框架 | 第23-26页 |
| 2.2 TLD算法原理 | 第26-30页 |
| 2.2.1 检测模块 | 第27-28页 |
| 2.2.2 跟踪模块 | 第28-29页 |
| 2.2.3 学习模块 | 第29-30页 |
| 2.3 移动GPU结构 | 第30-32页 |
| 2.3.1 高通801与Adreno330 | 第30-31页 |
| 2.3.2 TegraK1与GK20AGPU | 第31-32页 |
| 2.4 本章小结 | 第32-34页 |
| 第三章 CNN的高性能实现 | 第34-45页 |
| 3.1 CNN计算负载分析 | 第34-36页 |
| 3.2 算法基础实现 | 第36-37页 |
| 3.3 基于Adreno330优化 | 第37-41页 |
| 3.3.1 优化任务划分 | 第38-39页 |
| 3.3.2 片上存储优化 | 第39-40页 |
| 3.3.3 循环展开与向量化 | 第40-41页 |
| 3.4 Android应用的构建 | 第41-42页 |
| 3.5 评测与分析 | 第42-43页 |
| 3.5.1 通信带宽测试 | 第42页 |
| 3.5.2 矩阵乘法速度测试 | 第42-43页 |
| 3.5.3 分类时间测试 | 第43页 |
| 3.6 本章小结 | 第43-45页 |
| 第四章 TLD算法的高性能实现 | 第45-58页 |
| 4.1 TLD算法计算负载分析 | 第45-46页 |
| 4.2 CUDA编程模型 | 第46-48页 |
| 4.3 基于移动GPU的高性能实现 | 第48-54页 |
| 4.3.1 方差分类器实现 | 第48-50页 |
| 4.3.2 集成分类器实现 | 第50-52页 |
| 4.3.3 最近邻分类器实现 | 第52-54页 |
| 4.4 实验评测与分析 | 第54-57页 |
| 4.5 本章小结 | 第57-58页 |
| 第五章 总结与展望 | 第58-60页 |
| 5.1 工作总结 | 第58-59页 |
| 5.2 未来研究方向 | 第59-60页 |
| 致谢 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 作者在学期间取得的学术成果 | 第66页 |
