跳到主要內容

臺灣博碩士論文加值系統

(35.175.191.36) 您好!臺灣時間:2021/07/31 22:40
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果 :::

詳目顯示

我願授權國圖
: 
twitterline
研究生:傅義翔
研究生(外文):Yi-Shiang Fu
論文名稱:以GPU實現最鄰近特徵向量空間演算法應用於高光譜影像分類
論文名稱(外文):GPU-Acceleration of Nearest Feature Space Classifier for Hyperspectral Images
指導教授:方志鵬方志鵬引用關係張陽郎張陽郎引用關係
指導教授(外文):Jyh-Perng FangYang-Lang Chang
口試委員:鞠志遠韓欽銓
口試委員(外文):Chih-Yuan ChuChin-Chuan Han
口試日期:2012-07-11
學位類別:碩士
校院名稱:國立臺北科技大學
系所名稱:電機工程系研究所
學門:工程學門
學類:電資工程學類
論文種類:學術論文
論文出版年:2012
畢業學年度:100
語文別:中文
論文頁數:49
中文關鍵詞:最鄰近特徵向量空間(NFS)特徵分類CUDA
外文關鍵詞:NFSCUDAParallel ComputingClassification
相關次數:
  • 被引用被引用:4
  • 點閱點閱:421
  • 評分評分:
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:0
近年來遙測技術進步,地表資訊被高光譜儀器大量的擷取,並透過分析光譜數值特徵獲取地表物質辨識結果;物質分析的方法以圖形識別(Pattern Recognition, PR)分類演算法進行,常見的分類演算法為最鄰近分類(k-Nearest Neighbor, k-NN)演算法,主要是以測試樣本為中心,計算最鄰近的訓練樣本數量,對測試樣本進行特徵分類。然而k-NN演算法在不同類別的訓練樣本交疊情況下容易分類錯誤,所以本論文使用最鄰近特徵向量空間(Nearest Feature Space, NFS)演算法來保留測試樣本類別群聚關係,計算測試樣本至訓練樣本特徵空間的最短距離,以提升辨識效果。
由於高光譜資料量龐大,配合NFS演算法,以一般電腦運算相當耗時,因此,本論文以實現 NFS演算法平行化為主軸,透過統一計算架構(Compute Unified Device Architecture, CUDA)實現訓練樣本為基底的平行化,將不同的訓練樣本特徵空間的運算指定到各個計算核心,並分散測試樣本至對應核心同步執行,配合記憶體資料調配來減少主機與GPU資料傳輸延遲,提升NFS演算法的運算速度。


Recently, the information of ground surface has been recode with Hyperspectral device massively and recognition the ground material by analysis the spectral data. The k-Nearest Neighbor(k-NN) algorithm is widely used in classify, the main idea of k-NN algorithm is that find the k nearest neighbor and voting by their class ID. However, the overlapping of different training sample groups will cause false classification. For overcome this problem, we trying to use Nearest Feature Space(NFS) algorithm to keep the structure of training samples and calculate the nearest distance between test sample and the feature space of training samples.
Although, NFS can get a better correctness rate of classification, it will spend a huge time when the training sample is too much. For this reason, we propose a parallelism method of NFS algorithm based on training samples, distributing different feature space to corresponding core of GPUs thought Compute Unified Device Architecture(CUDA). For reduce the transform delay between Host and Device, adapting data between different memories in GPU carefully is needed.


摘要 i
ABSTRACT ii
致謝 iii
目錄 iv
表目錄 vi
圖目錄 vii
第一章 緒論 1
1.1 前言 1
1.2 研究動機與目的 2
1.3 論文內容大綱 3
第二章 相關文獻回顧 4
2.1 高光譜影像介紹 4
2.2 最鄰近分類演算法 8
2.2.1 k-鄰近演算法 8
2.2.2 最鄰近特徵線 9
2.2.3 最鄰近特徵空間 11
2.3 分離度分析 14
2.3.1 Within Class Scatter 14
2.3.2 Between Class Scatter 15
2.4 主成分分析法 16
2.5 圖形處理器 17
2.5.1 GPU與CUDA發展簡介 17
2.5.2 CUDA整體架構 17
2.5.3 記憶體階層存取差異 19
2.5.4 CUDA基礎執行模式 20
第三章 研究方法 21
3.1 以CUDA實現NFS平行計算 21
3.1.1 NFS概念與流程 21
3.1.2 NFS平行架構 22
3.1.3 查表法配置Thread標籤 23
3.1.4 點積運算 24
3.2 NFS Embedded 27
3.2.1 訓練樣本歐式距離計算策略 27
3.2.2 訓練樣本類別分離度計算 28
3.2.3 測試樣本分類 29
第四章 實驗結果 30
4.1 實驗環境 30
4.2 實驗圖像介紹 31
4.2.1 鰲鼓溼地圖像資料介紹 31
4.2.2 Northwest Tippecanoe County圖像資料介紹 33
4.3 實驗結果 36
4.3.1 各演算法正確率統計 36
4.3.2 NFS演算法正確率統計 36
4.3.3 CUDA-NFS運算時間統計 38
4.3.4 C-NFS運算時間統計 39
4.4 實驗結果分析 41
4.4.1 各演算法正確率分析 41
4.4.2 NFS演算法正確率分析 42
4.4.3 CUDA-NFS演算法運算時間分析 43
4.4.4 CUDA- NFS加速倍率分析 45
第五章 結論 47
5.1 結論 47
5.2 未來研究方向 47
參考文獻 48


英文書籍
[1] Richard O. Duda, Peter E. Hart and David G. Stork, Pattern Classification, 2nded.Wiley-Interscience, pp. 114-116, 119-124, 2001.
[2] Jason Sanders, Edward Kandrot, CUDA by Example. Addison-Wesley Professional, pp. 6-7, 2010.
[3] David B. Kirk, Wen-mei W. Hwu, Programming Massively Parallel Processors. Morgan Kaufmann, pp. 79-82, 2010.
期刊論文
[4] T. M. Cover, P. E. Hart, “Nearest Neighbor Pattern Classification”, IEEE Transactions on Information Theory, vol. IT-IS, no. 1, pp.21-27, January 1967.
[5] Trevor Hastie, Rolbert Tibshirani, “Discriminant Adaptive Nearest Neighbor Classification,” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 18, no. 6, pp.607-616, June 1996.
[6] Matthew Turk and Alex Pentland, “Eigenfaces for Recognition” , Journal of Cognitive Neuroscience, vol. 3, no. 1, pp.71-86, 1991.
[7] Matthew A. Turk, Alex P. Pentland, “Face Recognition Using Eigenfaces”, pp.586-591.
[8] Stan Z. Li, Juwei Lu, “Face Recognition Using the Nearest Feature Line Method”, IEEE Transactions on Neural Networks, vol. 10, no. 2, pp.439-443, March 1999.
[9] Jiwen Lu, Yap Peng Tan, “Nearest Feature Space Analysis for Classification”, IEEE Signal Processing Letters, vol. 18, no. 1, pp.55-58, January 2011.
[10] Ying-Nong Chen, Chin-Chuan Han, Cheng-Tzu Wang, Kuo-Chin Fan, “Face Recognition Using Nearest Feature Space Embedding”, IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 33, no. 6, pp.1073-1086, June 2011.
[11] Anil K. Jain, Robert P.W. Duin and Jianchang Mao, “Statistical Pattern Recognition: A Review”, IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 22, no. 1, pp.11, January 2000.
學位論文
[12] 王宏原,平行粒子群優法應用於高維度影像特徵抽取,碩士論文,國立臺北科技大學電機工程研究所,台北,2010。
[13] 徐斌峰,一個維度優先權方法應用於粒子群優法在高維度影像特徵抽取,國立臺北科技大學電機工程研究所,台北,2011。
網際網頁
[14] Google Maps : https://maps.google.com/
其他
[15] CUDA C Programming Guide 3.2, pp1-3, 10-11.


QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
無相關期刊