Высокопроизводительная реализация метода машинного обучения на основе фрактального сжатия

Abstract

В данной статье исследована параллельная реализация метода машинного обучения с циклическим фрактальным кодированием и использованием словаря доменных блоков, адаптированный для применения на мобильных платформах, с оптимизацией производительности и объема хранимых фрактальных образов изображений. Основная идея метода заключается в применении метода фрактального сжатия на основе систем итерированных функций для понижения размерности исходных изображений, и использовании циклического фрактального кодирования для представления класса изображений в целом. В параллельной реализации метода используется технология CUDA на аппаратной мобильной платформе NVIDIA Jetson Nano, в результате исследований метода получено, что время распознавания в среднем составило 76 мс, что в 2.8 раза быстрее последовательной реализации. Достигнутые показатели производительности являются приемлемыми для использования в системах обработки изображений в реальном времени на мобильных платформах, в т.ч. для БПЛА и наземных автономных роботов. In this article the parallel implementation of the method of machine learning with cyclic fractal coding and the use of domain block dictionary, adapted for use on mobile platforms, with optimization of performance and volume of stored fractal images is investigated. The main idea of the method is to use the fractal compression method based on systems of iterated functions to lower the dimension of the original images, and to use cyclic fractal coding to represent the class of images as a whole. In the parallel implementation of the method, CUDA technology is used on the NVIDIA Jetson Nano hardware mobile platform, as a result of research of the method, it was found that the recognition time on average was 76 ms, which is 2.8 times faster than sequential implementation. The achieved performance indicators are acceptable for use in real-time image processing systems on mobile platforms, including for UAVs and ground-based autonomous robots.