面向异构众核平台的交通图像车型检索并行计算模式研究

It is urgent to enhance the vehicle retrieval performance from huge quantity of traffic images by means of heterogeneous many-core platform with high performance-cost. According to the properties of the vehicle retrieval semantic and the heterogeneousness of many-core computing, a heterogeneous many-core oriented parallel computing model of vehicle retrieval on traffic images are proposed. Firstly, we research on the learning strategy of attention value based on mixed low-level features of traffic images, and build a salient objects detecting method to decompose the original image into hierarchical semantic areas in variable scales. Secondly, a traffic image content representation mechanism is designed based on hierarchical weighted graph which considered the relationships among these semantic regions and contains richer car model information. Thirdly, the evaluation method on similarities of semantic topological graphs under the traffic constraints is proposed. This method reflects the sub-graph vertex attributes and the topology to mine the clue of vehicles. Fourthly, a parallel computing method on massive vehicle images retrieval based on the heterogeneous many-core platform is proposed. The key issue is to establish a correct mapping between image content in hierarchical graph and storage and computing resources of in hierarchy. Finally, a performance adaptive strategies for many-core computing environment with an interactive programming analysis model for the field-specific users.

交通图像数量巨大，借助高性价比的异构众核并行计算提升车型检索性能成为亟需。项目针对交通图像的车型检索语义特点和众核计算的异构特性，研究：（1）基于交通图像混合底层特征关注度的学习策略，构建显著对象检测方法，将原始图像分解为变尺度层次化语义区域；（2）基于层次加权图的交通图像内容表示机制，分析各尺度语义区域的相对关系，构造语义拓扑图，蕴涵更丰富的可贡献车型信息量；（3）交通时空约束下的语义拓扑图的相似性评价方法，体现子图顶点属性和拓扑结构的贡献，挖掘车型信息的时空线索；（4）基于异构众核平台的大规模交通图像车型检索的并行计算方法，综合考虑交通图像中语义区域的计算依赖性、层次拓扑图访存特点、众核平台的计算/存储异构性等，建立数据分层和资源分层的合理映射；（5）面向领域用户的易用编程环境，设计众核计算的性能自适应策略，降低开发难度。

交通图像数量巨大，借助高性价比的异构众核并行计算提升车型检索性能成为亟需。项目针对交通图像的车型检索语义特点和众核计算的异构特性，主要研究以下几点：1）针对交通图像中关注车型语义的学习型提取 ，实现了基于深度学习目标检测算法对车辆图像自动提取车型语义特征。2）针对图像内容语义的图拓扑表示，提出一种基于加权结构图(Weighted-Structure Graph, WSG)模型的车辆图像表示方法，能够有效地表示车辆图像。3）分层图拓扑结构的相似度评价，实现基于Fisher方法和投票机制优选图节点和图属性，将图像表示为拓扑图，图像的相似度计算转化为图的相似度匹配。4）面向异构平台的大规模图众核并行检索算法，面向新兴的SW26010众核CPU和天河二号超级计算机，分别提出相关并行框架与并行算法，实现了可视化计算的分布式并行框架。5）面向领域用户的协同编程环境，利用分层的数据存储结构和分层的计算资源结构，提出一种基于边缘计算的交通图像的分布式数据采集存储方法。主要实现以下结果：1）提出一种基于交通图像中汽车部件拓扑结构特性的车型检索方法，查全率90%，在4类车型平均查准率最高为97.78%；2）设计了一种面向领域用户的协同编程方案，经Petri网模拟验证，缩小占用存储空间约2250倍；3）设计了一种隐蔽信道威胁度量指标和盲签名方案；4）基于异构集群上的矩阵算法，提出了一种可扩展的PSSMLT分布式并行仿真框架；5）面向新兴的SW26010众核CPU和天河二号超级计算机，分别提出相关并行框架与并行算法，基于7680个CPU核，几乎达到线性加速，实现了可视化计算的分布式并行框架，并提出了提高整体性能的优化策略。本项目探索异构众核计算平台的体系结构、交通图像车型信息的语义分层结构、语义分区之间层次关系结构，深层优化车型检索算法的性能；加权层次图表示车辆交通图像，最小数据量承载最大化车型信息；在面向异构众核平台，研究GPU细粒度任务调度机制，通过计算系统分层和交通图像的分层表示机制的合理映射，研究大规模图数据的高性能检索方法。