Efficient Extraction of Feature Signatures Using Multi-GPU Architecture

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216208%3A11320%2F13%3A10139388" target="_blank" >RIV/00216208:11320/13:10139388 - isvavai.cz</a>

Výsledek na webu

<a href="http://dx.doi.org/10.1007/978-3-642-35728-2" target="_blank" >http://dx.doi.org/10.1007/978-3-642-35728-2</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-642-35728-2" target="_blank" >10.1007/978-3-642-35728-2</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Efficient Extraction of Feature Signatures Using Multi-GPU Architecture

Popis výsledku v původním jazyce

Recent popular applications like online video analysis or image exploration techniques utilizing content-based retrieval create a serious demand for fast and scalable feature extraction implementations. One of the promising content-based retrieval modelsis based on the feature signatures and the signature quadratic form distance. Although the model proved its competitiveness in terms of the effectiveness, the slow feature extraction comprising costly k-means clustering limits the model only for preprocessing steps. In this paper, we present a highly efficient multi-GPU implementation of the feature extraction process, reaching more than two orders of magnitude speedup with respect to classical CPU platform and the peak throughput that exceeds $8$~thousand signatures per second. Such an implementation allows to extract requested batches of frames or images online without annoying delays. Moreover, besides online extraction tasks, our GPU implementation can be used also in a traditional

Název v anglickém jazyce

Efficient Extraction of Feature Signatures Using Multi-GPU Architecture

Popis výsledku anglicky

Recent popular applications like online video analysis or image exploration techniques utilizing content-based retrieval create a serious demand for fast and scalable feature extraction implementations. One of the promising content-based retrieval modelsis based on the feature signatures and the signature quadratic form distance. Although the model proved its competitiveness in terms of the effectiveness, the slow feature extraction comprising costly k-means clustering limits the model only for preprocessing steps. In this paper, we present a highly efficient multi-GPU implementation of the feature extraction process, reaching more than two orders of magnitude speedup with respect to classical CPU platform and the peak throughput that exceeds $8$~thousand signatures per second. Such an implementation allows to extract requested batches of frames or images online without annoying delays. Moreover, besides online extraction tasks, our GPU implementation can be used also in a traditional

Druh

D - Stať ve sborníku

CEP obor

IN - Informatika

OECD FORD obor

—

Projekt

<a href="/cs/project/GAP202%2F11%2F0968" target="_blank" >GAP202/11/0968: Podobnostní nemetrické vyhledávání v rozsáhlých komplexních databázích</a><br>

Návaznosti

S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2013

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Advances in Multimedia Modeling

ISBN

978-3-642-35727-5

ISSN

0302-9743

e-ISSN

—

Počet stran výsledku

11

Strana od-do

446-456

Název nakladatele

Springer Heidelberg Dordrecht

Místo vydání

London, New York

Místo konání akce

Huangshan, China

Datum konání akce

7. 1. 2013

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—