刘　琦　黄　咨　陈璐艳　胡福乔

(上海交通大学自动化系系统控制与信息处理教育部重点实验室　上海 200240)



基于GPU的卷积检测模型加速

刘琦黄咨陈璐艳胡福乔

(上海交通大学自动化系系统控制与信息处理教育部重点实验室上海 200240)

摘要近年来，形变部件模型和卷积神经网络等卷积检测模型在计算机视觉领域取得了极大的成功。这类模型能够进行大规模的机器学习训练，实现较高的鲁棒性和识别性能。然而训练和评估过程中卷积运算巨大的计算开销，也限制了其在诸多实际场景中进一步的应用。利用数学理论和并行技术对卷积检测模型进行算法和硬件的双重加速。在算法层面，通过将空间域中的卷积运算转换为频率域中的点乘运算来降低计算复杂度；而在硬件层面，利用GPU并行技术可以进一步减少计算时间。在PASCAL VOC数据集上的实验结果表明，相对于多核CPU，该算法能够实现在单个商用GPU上加速卷积过程2.13～4.31倍。

关键词卷积检测模型计算机视觉GPU

0引言

目标检测是计算机视觉领域中一项计算密集的工作。现实生活中的绝大多数应用，如智能监控中的行人检测、汽车安全中的车辆检测和图像检索中的特定类别目标检测等，都要求检测速度足够快以便达到实时性，同时也希望尽可能降低误报率。近年来，研究人员提出了一批优秀的卷积检测模型CDM(Convolution-based detection model)，并在诸如PASCAL VOC[1]、ImageNet[2]等极具挑战性的标准评测数据集上取得了出色计算性能。这些模型以卷积运算为基础，用特定的模板与输入图像或特征图进行卷积得到响应图，进而通过最大响应值确定目标位置或将其作为特征图再次进行卷积运算，如图1所示。……