Parallel Vision with GPGPU/CUDA 以GPGPU/CUDA進行平行視覺

課 程 : 論文研討

班 級 : 資工產碩二

日 期 : 100年 10月7日

演講者 : 輔仁大學電機工程系王元凱教授

姓 名 : 張振欣

學 號 : 99366555

從電腦被發明在這個世界後，根據Moore定律：中央處理器的電晶體數量每18個月增加一倍，隨著資訊爆炸的世紀，人們也不段的要求更高速的運算速度，也不斷的提升CPU的處理時脈，然而卻發現高熱度的物理現象瓶頸，此時開始思考CPU透過循序方式處理資料，最簡單的例子就是，一個人做事比較快？還是多個人做事比較快？因此發展了多核心的中央處理器技術，透過多個核心平行處理資料，也得以繼續應付高速運算的時代。

這次課題非常的有意義，身為資訊界的我們，也一路看著資訊界發展至今，這真是個高速運算的轉類點，王教授以一個資訊發展的歷史小故事來開場白，重頭戲就是平行處裡的應用，「充分使用硬體替軟體加速！」很玄妙的形容，以往CPU在執行程式處理時，是以循序方式進行(Serial Computing), 所謂的Step by Step方式：程式一行一行的跑完！而平行方式(Parallel Computing), 是將整個程式切割N個部分，由N個核心同時處理，因此程式執行完成的速度差距是天壤之別！下圖簡單的描述兩者運算方式的差別：

圖片來源

這次也提到另一個主題CUDA, 由nVIDIA所發展的軟體執行平台，利用顯示卡上的GPU高速運算能力以及平行處理能力，來替CPU分擔運算壓力，讓CPU單純的負擔系統I/O、傳輸等繁重工作，讓執行程式運算的工作交給GPU來執行，自然而然地整理效能也更加的好，王教授這次課程的重點概念主要就是這點，我們現在看到的電影所運用維妙維肖的電腦特效，光是影像模擬運算所耗用的資料量是非常的大，若是傳統循序方式來跑程式，可能跑個一年半載，但是透過平行處理技術，速度縮短至幾個小時並不是難題！

王教授也分享了些訊息，即使仍然是傳統循序方式設計的程式，透過CUDA平台也是可以達到加速的效果，如果程式架構修改成平行處理架構，加速上百倍也不是問題，而且在CUDA平台中，也已經將平行處理方法包裝起來，程式直接呼叫就可以了，更是大幅度的減少程式修改的難度，因此我也可以想像我們也即將盡力超高速運算的時代。

人類運動捕捉資料之特徵描述與資料檢索

課程 : 論文研討(三)

日期 : 2011.09.30

時間 : 13:50 ~ 15:40

地點 : S516

作者 : 資工產碩(二) — 張振欣

講者 : 義守大學資工系主任 — 杜維昌教授

近年來應用在電影動畫、電腦遊戲等領域的人類動作捕捉技術已經非常普遍，透過這樣的技術，已經能夠將人類的肢體動作轉化為虛擬的電腦世界中，杜教授開場白就以電影"阿凡達"為例，展示了人類動作捕捉的成熟結果，並簡單解釋3D動畫的原理，主要是利用3D幾何模型的不斷改變，再模擬光源投射和背後的虛擬背景，一直不間斷的模擬，合併結果產生的3D動畫效果。

而在模擬事物最困難的瓶頸，是柔性的動作模擬，像是人類的肢體動作，很難透過電腦運算模擬出真實的動作，也因此動作捕捉技術在此前提下誕生，透過輔助器材，而人體穿戴這些設備，利用設備來記錄人體動作，將器材所捕捉動畫資料記錄到電腦中，這些器材也隨著科技逐漸提升，所捕捉到的動作正確度與精確度也逐漸提升，從早起的機械式動作捕捉器、電磁式到現在的光學式，也提供了獲取動作資料的最佳工具，接下來杜教授所以表達的重點是，得到了大量的動作資料，要如何在茫茫資料海中有效分析出關鍵特徵，資料還需要不斷訓練與驗證。

圖例為利用光學式動作捕捉器，透過電腦軟體擷取動作資料後，再模擬不同外表

杜教授提出若是運動型態的資料，要如何區分動作的類型？例如從大量的動作資料中，區分打球的動作、體操的動作或者是跑步、跳躍等，依靠人為操作切割資料曠日又費時，也因此有了自動化的方法：移動視窗演算法(sliding window)、相似合併法(merging method)、紋理切割法(splitting method)等方法，每種方法各有特性，個別使用總是會發現太過瑣碎等狀況，因此杜教授的研究中，就將這些自動化方法複合使用，而達到較為精準的結果。

最後杜教授仍提出了在研究結果仍然有些問題需要克服，例如合併的動作資料判別區分、資料量過高需要壓縮議題、特別動作的判別方式以及數位安全等等的議題都是需要再進一步研究與克服的地方 。

最近特徵空間轉換法之人臉辨識技術

課程 : 論文研討(三)

日期 : 2011.09.23

時間 : 13:50 ~ 15:40

地點 : S516

作者 : 資工產碩(二) — 張振欣

講者 : 聯合大學資工系—韓欽銓教授

近年來人臉辨識的應用，相信大家都從Google Picasa網路相簿開始認識這項功能，自動找出相簿人的臉形辨識，幫助使用者標記名字，今年起Facebook也加入了這項功能，所以大家應該不會陌生，但是這些都僅是從現有的照片中套用特徵點方式做辨識，若是要做到攝影機，即時辨識訪客臉型，建檔資料管理，相信是這項技術的最終目的。

聯合大學的韓教授提出了他所研究的人臉辨識技術，雖然距離成熟穩定仍有一點距離，但是看到未來人臉辨識技術在日常生活中的成熟應用，也不再是遙不可及的夢想了，韓教授提到了以下三種步驟：

1. 人臉特徵表示方式(Face Representation)：

主要是萃取人臉影像中最具代表性的全域特徵資訊。

2. 區分特徵分析(Discriminant Feature Analysis)：

透過線性區分分析(LDA)，找到的特徵點能夠使不同類別資料點在特徵空間中更具區別性。

3. 基於演算法之分類(Algorithm-based Classification)：

將人臉資訊降維並取出特徵後進行分群，然後以LDA將類別資訊強化，最後再以RBF類神經 網路進行分類。

引述韓教授的"最近特徵空間轉換法之人臉辨識技術"在"電腦視覺監控產學研聯盟"網站上的報導：

本研究所提之流程架構如圖一所示，利用主軸分析(principal component analysis, PCA)對影像作前處理，目的除了是降低維度以避免在後續的Fisher’s Criterion轉換中遭遇到小樣本問題外，另外還有保留影像中有用資訊及去除雜訊的目的。

而後以Nearest Feature Space Embedding(NFS Embedding)進行特徵空間轉換，由於NFS Embedding特徵空間轉換乃是將Nearest Feature Space 融入了Laplacian Matrix中，因此不僅可以保留樣本在原空間中的拓樸資訊，還能夠將樣本間的線性變化的關係亦同時保留下來，而由於 我們已把NFL點到空間的距離衡量技術融入到NFS Embedding特徵空間轉換之中，該特徵空間便已具有NFL的分類優點，因而我們可以在NFS Embedding所產出特徵空間中進行點到點的樣本比對進行分類，以節省大量的 點到線的比對時間，換言之，原本大量的NFL分類比對時間已被我們挪移至特徵空間轉換的訓練時間中。

圖一：人 臉辨識器系統架構區塊圖。

該研究方法的成果，比起一般其他人臉辨識技術更能有效降低因為人臉的光線、表情和姿勢等變化產生的衝擊影響，而仍可有效提高人臉辨識的正確性，以下是報導原文參考網址：
http://140.113.87.112/vol_37/index_firefox_frontpage_epaper.htm#%B3%CC%AA%F1%AFS%BCx%AA%C5%B6%A1%C2%E0%B4%AB%AAk%A4%A7%A4H%C1y%BF%EB%C3%D1

Fractal Analysis and Medical Image Applications - 碎形分析與醫學影像應用

課程 : 論文研討(三)

日期 : 2011.09.16

時間 : 13:50 ~ 15:40

地點 : S516

作者 : 資工產碩(二) 張振欣

講者 : 中興大學理學院 黃博惠院長

今日請到了中興大學理學院院長黃博惠來主講「碎形分析與應學影像應用」也是頭一次知道碎形這名詞，在醫學影像病理分析上也達到很大的功用，幫助醫生可以依據病理影像進行病理提前分析，加速整理療期，黃院長更以攝護腺癌為例，根據患部醫學影像的紋理，利用碎形分析判斷癌細胞等級，區分患部等級後在應對等級投藥治療，整體精準度高達95%，而僅有的5%黃院長也解釋了再判斷癌細胞等級時，誤差狀態僅只在一個等級，例如分析結果落在等級1和等級2之間，此部分碎形分析結果較能判斷，此時仍會需要醫生的專業判斷。雖然碎形分析在高精準率的辨識，卻不適用於所有疾病的解析，例如國人常見的死因肝癌，因為癌細胞長成的腫瘤，有固定的形狀、顏色等細胞核特徵，有其他方式比「碎形分析」更能辨識分析。

而在碎形分析的解釋上，黃院長也解釋了「碎形」的定義，碎形是一種不規則型態，具有自我相似的無窮結構，舉凡自然界裡一定程度類似碎形的事物有雲、山脈、閃電、海岸線和雪片等形狀都是碎形的案例。黃院長也舉個碎形的計算圖例「科赫曲線」，我引述維基百科網站，透過以下步驟可以繪製：

給定線段AB，科赫曲線可以由以下步驟生成：

1. 將線段分成三等份（AC,CD,DB）

2. 以CD為底，向外（內外隨意）畫一個等邊三角形DMC

3. 將線段CD移去

4. 分別對AC,CM,MD,DB重複1~3。

結果如下圖所示：

黃院長也解釋碎形分析相關的演算法與公式，利用其演算法透過資料探勘取得所要的資料分析結果，計算與驗證過程在此我不贅述，另外在維基百科網站上，也查到碎形分析應用分佈甚廣，例如：計算海岸線複雜性、酵素學、地震學、土壤力學、X光散射、斷裂力學、甚至是藝術上的創作、電腦動畫CG的過程生程，都與碎形分析有很大關聯，今天的演講讓我更能了解到這個技術提供給人類許多的重大貢獻。