一种用于独特判别典型相关网络的GPU加速算法
图像与视频处理
2022-09-28 v1
摘要
目前，基于深度神经网络(DNN)的模型已引起广泛关注，并被应用于不同领域。然而，由于数据驱动的特性，DNN模型在小规模数据集上可能产生不令人满意的性能。为解决这一问题，提出了独特判别典型相关网络(DDCCANet)来生成深层特征表示，从而在图像分类上获得改进的性能。然而，DDCCANet模型最初在CPU上实现，其计算时间与在GPU上运行的最先进DNN模型相当。本文提出了一种基于GPU的加速算法，以进一步优化DDCCANet算法。结果不仅保证了DDCCANet的性能，而且大大缩短了计算时间，使模型更适用于实际任务。为了证明所提出加速算法的有效性，我们在三个不同规模的数据集上进行了实验。实验结果验证了所提出加速算法在给定示例上的优越性。
引用
@article{arxiv.2209.13027,
title = {A GPU-accelerated Algorithm for Distinct Discriminant Canonical Correlation Network},
author = {Kai Liu and Lei Gao and Ling Guan},
journal= {arXiv preprint arXiv:2209.13027},
year = {2022}
}