Adaboost算法的并行化及其在目标分类中的应用
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 课题来源 | 第10页 |
| 1.2 研究背景及意义 | 第10-14页 |
| 1.2.1 智能视频监控技术及前景 | 第10-12页 |
| 1.2.2 运动目标分类技术 | 第12-13页 |
| 1.2.3 多核编程技术在视频图像领域的应用 | 第13-14页 |
| 1.3 国内外研究现状及趋势 | 第14-15页 |
| 1.4 本文研究内容 | 第15-16页 |
| 1.5 论文的组织结构 | 第16-17页 |
| 第二章 相关理论和技术 | 第17-36页 |
| 2.1 Adaboost分类算法 | 第17-23页 |
| 2.1.1 Adaboost算法背景 | 第17-18页 |
| 2.1.2 Adaboost算法原理及流程 | 第18-20页 |
| 2.1.3 Adaboost级联算法 | 第20-23页 |
| 2.2 GPU通用计算概论及CUDA编程介绍 | 第23-30页 |
| 2.2.1 GPU的优势对比 | 第23-24页 |
| 2.2.2 CUDA架构简介 | 第24-25页 |
| 2.2.3 CUDA编程模型 | 第25-27页 |
| 2.2.4 CUDA存储器模型 | 第27-29页 |
| 2.2.5 CUDA硬件映射 | 第29-30页 |
| 2.3 MIC技术简介及编程介绍 | 第30-34页 |
| 2.3.1 MIC架构优势 | 第30-31页 |
| 2.3.2 MIC硬件架构概览 | 第31-32页 |
| 2.3.3 MIC编程模型 | 第32-34页 |
| 2.4 借助协处理器并行优化方法简介 | 第34-35页 |
| 2.5 本章小结 | 第35-36页 |
| 第三章 基于GPU的Adaboost算法实现 | 第36-46页 |
| 3.1 算法任务划分 | 第36-37页 |
| 3.2 算法移植 | 第37-43页 |
| 3.2.1 Haar特征与积分图像 | 第37-39页 |
| 3.2.2 特征值并行计算 | 第39页 |
| 3.2.3 弱分类器训练的并行化 | 第39-43页 |
| 3.3 实验结果 | 第43-45页 |
| 3.4 本章小结 | 第45-46页 |
| 第四章 基于MIC的Adaboost算法实现 | 第46-55页 |
| 4.1 MIC程序开发 | 第46页 |
| 4.2 Adaboost算法并行化 | 第46-52页 |
| 4.2.1 串行Adaboost算法分析 | 第46页 |
| 4.2.2 并行优化策略 | 第46-48页 |
| 4.2.3 特征值计算并行化 | 第48页 |
| 4.2.4 特征值排序并行化 | 第48-51页 |
| 4.2.5 训练弱分类器的并行优化 | 第51-52页 |
| 4.3 实验结果 | 第52-54页 |
| 4.4 本章小结 | 第54-55页 |
| 第五章 算法在目标分类中的应用 | 第55-69页 |
| 5.1 Adaboost应用场景 | 第55页 |
| 5.2 样本图像库介绍 | 第55-56页 |
| 5.3 Adaboost目标分类检测流程 | 第56-59页 |
| 5.4 分类检测过程并行化 | 第59-62页 |
| 5.4.1 算法改进思路 | 第59-61页 |
| 5.4.2 多核目标分类检测算法实现 | 第61-62页 |
| 5.4.3 分类检测速度测试 | 第62页 |
| 5.5 实验与分析 | 第62-66页 |
| 5.6 与其他文献中的算法对比 | 第66-68页 |
| 5.7 本章小结 | 第68-69页 |
| 结论 | 第69-71页 |
| 参考文献 | 第71-76页 |
| 攻读硕士学位期间取得的研究成果 | 第76-77页 |
| 致谢 | 第77-78页 |
| 附件 | 第78页 |
