Similarity Search of Sparse Histograms on GPU Architecture
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216208%3A11320%2F16%3A10327984" target="_blank" >RIV/00216208:11320/16:10327984 - isvavai.cz</a>
Výsledek na webu
<a href="http://dx.doi.org/10.1007/978-3-319-46759-7_25" target="_blank" >http://dx.doi.org/10.1007/978-3-319-46759-7_25</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1007/978-3-319-46759-7_25" target="_blank" >10.1007/978-3-319-46759-7_25</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Similarity Search of Sparse Histograms on GPU Architecture
Popis výsledku v původním jazyce
Searching for similar objects within large-scale database is a hard problem due to the exponential increase of multimedia data. The time required to find the nearest objects to the specific query in a high-dimensional space has become a serious constraint of the searching algorithms. One of the possible solution for this problem is utilization of massively parallel platforms such as GPU architectures. This solution becomes very sensitive for the applications working with sparse dataset. The performance of the algorithm can be totally changed depending on the different sparsity settings of the input data. In this paper, we study four different approaches on the GPU architecture for finding the similar histograms to the given queries. The performance and efficiency of observed methods were studied on sparse dataset of half a million histograms. We summarize our empirical results and point out the optimal GPU strategy for sparse histograms with different sparsity settings.
Název v anglickém jazyce
Similarity Search of Sparse Histograms on GPU Architecture
Popis výsledku anglicky
Searching for similar objects within large-scale database is a hard problem due to the exponential increase of multimedia data. The time required to find the nearest objects to the specific query in a high-dimensional space has become a serious constraint of the searching algorithms. One of the possible solution for this problem is utilization of massively parallel platforms such as GPU architectures. This solution becomes very sensitive for the applications working with sparse dataset. The performance of the algorithm can be totally changed depending on the different sparsity settings of the input data. In this paper, we study four different approaches on the GPU architecture for finding the similar histograms to the given queries. The performance and efficiency of observed methods were studied on sparse dataset of half a million histograms. We summarize our empirical results and point out the optimal GPU strategy for sparse histograms with different sparsity settings.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
IN - Informatika
OECD FORD obor
—
Návaznosti výsledku
Projekt
<a href="/cs/project/GA15-08916S" target="_blank" >GA15-08916S: Efektivní identifikace podgrafů při analýze webových grafů velikosti petabajtů</a><br>
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
Ostatní
Rok uplatnění
2016
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
Similarity Search and Applications
ISBN
978-3-319-46758-0
ISSN
0302-9743
e-ISSN
—
Počet stran výsledku
14
Strana od-do
325-338
Název nakladatele
Springer International Publishing
Místo vydání
Switzerland
Místo konání akce
Tokyo
Datum konání akce
24. 10. 2016
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
—