Ändra sökning
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
Feature Detection and Description using a Harris-Hessian/FREAK Combination on an Embedded GPU
Blekinge Tekniska Högskola, Fakulteten för teknikvetenskaper, Institutionen för matematik och naturvetenskap.
Blekinge Tekniska Högskola, Fakulteten för datavetenskaper, Institutionen för datalogi och datorsystemteknik.ORCID-id: 0000-0001-9947-1088
Sony Mobile Communications AB.
2016 (Engelska)Konferensbidrag, Publicerat paper (Refereegranskat)
Abstract [en]

GPUs in embedded platforms are reaching performance levels comparable to desktop hardware, thus it becomes interesting to apply Computer Vision techniques. We propose, implement, and evaluate a novel feature detector and descriptor combination, i.e., we combine the Harris-Hessian detector with the FREAK binary descriptor. The implementation is done in OpenCL, and we evaluate the execution time and classification performance. We compare our approach with two other methods, FAST/BRISK and ORB. Performance data is presented for the mobile device Xperia Z3 and the desktop Nvidia GTX 660. Our results indicate that the execution times on the Xperia Z3 are insufficient for real-time applications while desktop execution shows future potential. Classification performance of Harris-Hessian/FREAK indicates that the solution is sensitive to rotation, but superior in scale variant images.

Ort, förlag, år, upplaga, sidor
Springer, 2016.
Nyckelord [en]
GPU, Feature Detection, Feature Description, Mobile devices
Nationell ämneskategori
Datavetenskap (datalogi) Datorseende och robotik (autonoma system)
Identifikatorer
URN: urn:nbn:se:bth-11444OAI: oai:DiVA.org:bth-11444DiVA, id: diva2:895562
Konferens
5th Int’l Conf. on Pattern Recognition Applications and Methods (ICPRAM), Rome
Projekt
BigData@BTH - Scalable resource-efficient systems for big data analyticsIndustrial Excellence Center EASE - Embedded Applications Software Engineering
Forskningsfinansiär
KK-stiftelsen, 20140032VINNOVATillgänglig från: 2016-01-19 Skapad: 2016-01-19 Senast uppdaterad: 2018-02-02Bibliografiskt granskad

Open Access i DiVA

Fulltext saknas i DiVA

Personposter BETA

Sievert, ThomasGrahn, Håkan

Sök vidare i DiVA

Av författaren/redaktören
Sievert, ThomasGrahn, Håkan
Av organisationen
Institutionen för matematik och naturvetenskapInstitutionen för datalogi och datorsystemteknik
Datavetenskap (datalogi)Datorseende och robotik (autonoma system)

Sök vidare utanför DiVA

GoogleGoogle Scholar

urn-nbn

Altmetricpoäng

urn-nbn
Totalt: 547 träffar
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf