Hessian Interest Points on GPU
Identifikátory výsledku
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
—
Alternativní jazyky
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.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
JD - Využití počítačů, robotika a její aplikace
OECD FORD obor
—
Návaznosti výsledku
Projekt
—
Návaznosti
N - Vyzkumna aktivita podporovana z neverejnych zdroju
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
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
—