Speaker
Bálint Daróczy
Description
A Gaussian Mixture Model-en alapuló Fisher vektor egyike a legjobban teljesítő képklasszifikációs módszereknek. A széles körben használt K-means alapú magas szintű leírókhoz képest mind a hatékony modell építés, mind a Fisher gradiens vektor kiszámítása számításigényes feladat. Ennek egyik oka a GMM tanításához szükséges minták magas száma, illetve a a mintapontok és a képet jellemző gradiens vektorok magas dimenziója. Mivel a számítások jelentős része párhuzamosítható több lehetőség is adódik a sebesség-problémák kiküszöbölésére: sok processzoros klaszterek illetve a GPGPU-k használata. Mindkét megközelítés esetében módosítások szükségesek az eredeti algoritmushoz képest. A GMM/Fisher vektor számolás egyike azon problémáknak, melyek GPU-ra adoptálva hatékonyabb, robusztusabb és legfőképpen gyors algoritmussá fejleszthetőek.
