基于分层时序记忆空间池化器的 OpenCL 加速视频流对象分类

我们提出一种使用受大脑启发的分层时序记忆（HTM）算法对视频流中的对象进行分类的方法。对象分类是一项具有挑战性的任务，由于其独特能力，人类仍显著优于机器学习算法。我们实现了一个在识别精度方面取得非常有前景性能的系统。不幸的是，进行更先进的实验对计算要求很高；在标准 CPU 上运行的一些试验对于 960x540 视频流帧可能耗时长达数天。因此我们决定使用 OpenCL 加速系统的选定部分。具体而言，我们试图确定将核心中选定且计算密集的部分移植过来能在多大程度上加速计算。该系统的分类精度通过一系列实验检验，性能以 F1 分数作为列数、突触数、$min\_overlap$ 和 $winners\_set\_size$ 的函数给出。系统对于 $min\_overlap=4$ 和 256 个突触分别达到最高的 F1 分数 0.95 和 0.91。我们还进行了一系列不同硬件设置的实验并测量了 CPU/GPU 加速。对于 256 个突触和 1024 列，达到的最佳内核加速比为 632 倍和 207 倍。然而，包括传输时间在内的整体加速比明显更低，在相同设置下分别为 6.5 倍和 3.2 倍。