文献

J-GLOBAL ID：201702235795871082   整理番号：17A1633389

Gauss混合モデルのための完全パイプライン化ハードウェア設計【Powered by NICT】

A Fully-Pipelined Hardware Design for Gaussian Mixture Models

著者 (5件)： He Conghui (Tsinghua University, Beijing, Shi, China) ,  Fu Haohuan (Tsinghua University, Beijing, Shi, China) ,  Guo Ce (Imperial College, Lodon, United Kingdom) ,  Luk Wayne (Imperial College, Lodon, United Kingdom) ,  Yang Guangwen (Tsinghua University, Beijing, Shi, China)
資料名： IEEE Transactions on Computers  (IEEE Transactions on Computers)
巻： 66  号： 11  ページ： 1837-1850  発行年： 2017年 
JST資料番号： C0233A  ISSN： 0018-9340  CODEN： ICTOB4  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： Gauss混合モデル(GMM)はデータマイニング,信号処理及びコンピュータビジョンのような多くの用途で使用されている,確率密度モデリングとソフトクラスタリングのための広く用いられている。しかし,GMMのパラメータは,例えば,Gauss混合モデル(EM GMM)のための期待値最大化アルゴリズムは計算量負担が多いため,データから推定する必要がある。本論文では,再構成可能なプラットフォームを標的とするEM GMMアルゴリズムのための新しい設計を提示し,五つの主要な寄与を示した。最初に,ハードウェアアーキテクチャにマップできることを対角共分散行列を持つパイプラインに優しいEM GMM。第二に,固定小数点演算に基づくGauss確率密度に対する機能評価装置。第三に,提案アプローチでは,FPGAチップ上に小さい寸法の複数の構成要素を適合させることにより広い範囲次元または/および成分のを支援するために拡張した。第四に,論理資源を推定するコストと性能モデルを導出した。第五に,Stratix5SGSD8FPGAを用いたMaxeler MPC X2000を標的とする著者らのデータフロー設計は6コアXeon E5645プロセッサよりも速く,とPascal TITAN X GPUよりも39倍以上速い200時間に亘って作動できる。この設計は,訓練のための応用に実用的な解を与え,百万高次元入力例の百のGMMのより良好なパラメータを調べ,低遅延と高速の応用。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： 高次元 ,  コンピュータビジョン ,  モデリング ,  データマイニング ,  計算量 ,  固定小数点演算 ,  信号処理 ,  *ハードウェア設計 ,  アルゴリズム ,  確率密度 ,  FPGA ,  計算機アーキテクチャ ,  共分散行列 ,  EMアルゴリズム
準シソーラス用語： *Gauss混合モデル , 【Automatic Indexing@JST】

分類 (4件)： 計算機網  (JC03000K) ,  ディジタル計算機方式一般  (JC02010O) ,  符号理論  (ND02030R) ,  制御方式  (JC02030K)

タイトルに関連する用語 (3件)： Gauss混合モデル ,  パイプライン ,  ハードウェア設計