基于 HyperMapper 的 3D 视觉应用算法性能-精度权衡
计算机视觉与模式识别
2017-03-23 v2 分布式、并行与集群计算
机器学习
性能
摘要
本文研究一个新兴应用——3D 场景理解，其在不久的将来的移动领域可能具有重要意义。本探索的目标是在满足结果质量目标的同时减少执行时间。在先前工作中，我们首次展示了将该应用映射到功耗受限的嵌入式系统的可能性，并强调在算法设计层面所做的决策选择影响最大。由于算法设计空间过大而无法穷举评估，我们使用先前引入的称为 HyperMapper 的多目标随机森林主动学习预测框架来寻找良好的算法设计。我们展示了 HyperMapper 在近期前沿的 3D 场景理解算法和基于现代 GPU 的计算机架构上具有泛化能力。HyperMapper 能够自动击败专家人工调整本文所考虑的那类计算机视觉应用的算法参数。此外，我们使用一个 3D 场景理解 Android 应用进行众包，表明在嵌入式系统上获得的帕累托前沿可用于加速所有 83 台众包智能手机和平板电脑上的相同应用，加速比从 2 到超过 12 倍。
引用
@article{arxiv.1702.00505,
title = {Algorithmic Performance-Accuracy Trade-off in 3D Vision Applications Using HyperMapper},
author = {Luigi Nardi and Bruno Bodin and Sajad Saeedi and Emanuele Vespa and Andrew J. Davison and Paul H. J. Kelly},
journal= {arXiv preprint arXiv:1702.00505},
year = {2017}
}
备注
10 pages, Keywords: design space exploration, machine learning, computer vision, SLAM, embedded systems, GPU, crowd-sourcing