Algorithmes de reconnaissance NCTR et parallélisation sur GPU
Résumé
Dans cet article, nous nous sommes intéressés aux problèmes de reconnaissance noncoopérative de cibles (NCTR) en tant que problème de classification supervisée. Après une présentation du système d'acquisition des profils distance radar et du problème de reconnaissance, suivie d'une étude statistique des données, nous proposons d'utiliser un algorithme des K plus proches voisins (KPPV) dont les performances sont détaillées en fonction du nombre de voisins K, du type de distance utilisée et de la nature des données utilisées (débruitées ou non). Dans un second temps, cet algorithme a été parallélisé sur un processeur many-coeurs (GPU : Graphics Processing Unit). Les opérations arithmétiques et le modèle d'accès mémoire ont été étudiés pour obtenir la meilleure parallélisation des calculs. Enfin, nous terminons par une discussion autour des perspectives envisageables pour la méthode proposée, notamment en s'intéressant à d'autres espaces de représentation ou à d'autres méthodes de classification. ABSTRACT. In this paper, first, we present the problem of Non Cooperative Target Recognition (NCTR) as a supervised classification problem. After a presentation on the radar acquisition system of range profiles and the problem of recognition, followed by a statistical study of data, we use a classical classification method of K Nearest Neighbors (KNN) to do this classification. We explore and compare the performances of this algorithm based on the choice of the distances, the choice of K and the nature of used data (denoised or not). KNN algorithm has been executed initially on CPU with Matlab and then on GPU. Arithmetic operations and memory access pattern has been studied to get the best parallelization. Finally, we conclude with a discussion about possible perspectives for the proposed method especially by focusing on other representation spaces or other classification methods.
Origine : Fichiers produits par l'(les) auteur(s)
Loading...