GPU Tabanlı Çoklu Hipotez İzleme Sistemlerinin Ölçeklenebilirliği

GPU-GLMB: Çoklu Hipotez İzleme Sistemlerinin GPU Destekli Ölçeklenebilirliğinin Değerlendirilmesi

Çok hedefli takip üzerine son dönemdeki araştırmalar, rastgele sonlu kümeler kullanan çoklu hipotez yaklaşımlarına odaklanmıştır. Özellikle, her nesne için zamana bağlı tutarlı etiketler sağlayan etiketlenmiş rastgele sonlu küme yöntemleri ilgi çekmektedir. Bu yöntemler, çok hedefli Bayes filtresi için kapalı form çözümlerinin önemli teorik özelliklere sahip olmasına rağmen, standart ölçüm modeli altında birden çok hipotezin sürdürülmesi oldukça hesaplamalı olarak maliyetlidir, hatta hipotez budama yaklaşımları uygulansa bile.

Genelleştirilmiş Etiketlenmiş Çok-Bernoulli (GLMB) Filtresi

Bu çalışmada, bu yöntem sınıfının bir örneği olan Genelleştirilmiş Etiketlenmiş Çok-Bernoulli (GLMB) filtresi üzerinde duruyoruz. Aynı sensörden birden çok algılama yapılmasına izin veren filtrenin bir varyantını inceliyoruz. Bu, makine öğrenmesi tabanlı sanal sensörlerin dağıtılmış ağları bağlamında izleme uygulamaları için kritik bir yetenek sağlamaktadır.

GPU Hızlandırmalı GLMB Takipçisi

Standart GLMB filtresinin filtre güncellemelerindeki algılama arası bağımlılıkları kırdığımızı ve bu sayede önemli ölçüde daha iyi paralel ölçeklenebilirlik sağlayan ve GPU donanımında verimli bir şekilde dağıtılabilecek güncellemeler elde ettiğimizi gösteriyoruz.

Performans Analizi

Önerilen GPU hızlandırmalı GLMB izleyicimizin bir ön analiz sonuçlarını raporluyoruz. Analizimiz, nesne sayısı ve elde tutulan azami hipotez sayısı ile çalışma süresi ölçeklenebilirliği üzerine odaklanmaktadır.

Sonuç

Bu çalışma, çoklu hedef izleme algoritmalarının GPU tabanlı hızlandırılması yoluyla ölçeklenebilirliğinin artırılmasına yönelik önemli bir katkı sunmaktadır. Sunulan yaklaşım, dağıtılmış algılama ağlarında gerçek zamanlı çoklu hedef izleme uygulamalarına yönelik yeni olanaklar sağlamaktadır.