Hessian Interest Points on GPU

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F16%3A00300862" target="_blank" >RIV/68407700:21230/16:00300862 - isvavai.cz</a>

Výsledek na webu

<a href="http://vision.fe.uni-lj.si/cvww2016/proceedings/papers/08.pdf" target="_blank" >http://vision.fe.uni-lj.si/cvww2016/proceedings/papers/08.pdf</a>

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Hessian Interest Points on GPU

Popis výsledku v původním jazyce

This paper is about interest point detection and GPU programming. We take a popular GPGPU implementation of SIFT - the de-facto standard in fast interest point detectors - SiftGPU and implement modifications that according to recent research result in better performance in terms of repeatability of the detected points. The interest points found at local extrema of the Difference of Gaussians (DoG) function in the original SIFT are replaced by the local extrema of determinant of Hessian matrix of the intensity function. Experimentally we show that the GPU implementation of Hessian-based detector (i) surpasses in repeatability the original DoG-based implementation, (ii) gives result very close to those of a reference CPU implementation, and (iii) is significantly faster than the CPU implementation. We show what speedup is achieved for different image sizes and provide analysis of computational cost of individual steps of the algorithm. The source code is publicly available.

Název v anglickém jazyce

Hessian Interest Points on GPU

Popis výsledku anglicky

This paper is about interest point detection and GPU programming. We take a popular GPGPU implementation of SIFT - the de-facto standard in fast interest point detectors - SiftGPU and implement modifications that according to recent research result in better performance in terms of repeatability of the detected points. The interest points found at local extrema of the Difference of Gaussians (DoG) function in the original SIFT are replaced by the local extrema of determinant of Hessian matrix of the intensity function. Experimentally we show that the GPU implementation of Hessian-based detector (i) surpasses in repeatability the original DoG-based implementation, (ii) gives result very close to those of a reference CPU implementation, and (iii) is significantly faster than the CPU implementation. We show what speedup is achieved for different image sizes and provide analysis of computational cost of individual steps of the algorithm. The source code is publicly available.

Druh

D - Stať ve sborníku

CEP obor

JD - Využití počítačů, robotika a její aplikace

OECD FORD obor

—

Projekt

—

Návaznosti

N - Vyzkumna aktivita podporovana z neverejnych zdroju

Rok uplatnění

2016

Kód důvěrnosti údajů

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

Název statě ve sborníku

Proceedings of the 21st Computer Vision Winter Workshop

ISBN

978-961-90901-7-6

ISSN

—

e-ISSN

—

Počet stran výsledku

8

Strana od-do

—

Název nakladatele

Slovenian Pattern Recognition Society

Místo vydání

Ljubljana

Místo konání akce

Rimske Toplice

Datum konání akce

3. 2. 2016

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—