KAZE 图像特征提取算法的 GPGPU 加速
计算机视觉与模式识别
2017-06-22 v1
摘要
最近提出的开源 KAZE 图像特征检测与描述算法，因其依赖非线性尺度空间而非高斯线性尺度空间，相比 SIFT 和 SURF 等传统算法提供了前所未有的性能。然而，性能的提升伴随着显著的计算成本，限制了其在许多应用中的使用。我们报告了一种不借助二值描述子来获取加速的 KAZE 算法 GPGPU 实现。对于一幅 1920×1200 的图像，我们基于统一计算设备架构（CUDA）C 语言的 GPU 版本在 NVIDIA GeForce GTX Titan X（Maxwell 架构-GM200）显卡上耗时约 300 毫秒，而多线程 CPU 版本（16 线程 Intel(R) Xeon(R) CPU E5-2650 处理器）耗时近 2400 毫秒。我们详细描述了基于 CUDA 的并行实现，并对 GPU 与 CPU 实现进行了细粒度比较。通过实现近 8 倍加速且无性能下降，我们的工作扩展了 KAZE 算法的适用性。此外，本文描述的策略可证明对其他基于非线性尺度空间方法的 GPU 实现有用。
引用
@article{arxiv.1706.06750,
title = {GPGPU Acceleration of the KAZE Image Feature Extraction Algorithm},
author = {Ramkumar B and R. S. Hegde and Rob Laber and Hristo Bojinov},
journal= {arXiv preprint arXiv:1706.06750},
year = {2017}
}
备注
10 pages,7 figures