專利名稱：使用概率推進(jìn)樹進(jìn)行評(píng)估的方法和系統(tǒng)的制作方法
技術(shù)領(lǐng)域：
本申請(qǐng)涉及使用概率推進(jìn)樹進(jìn)行的數(shù)據(jù)評(píng)估。
背景技術(shù)：
辨別分類器通常是3D姿態(tài)檢測例程中的瓶頸?；跇涞姆诸惼?，例如概率推進(jìn)樹 (PBT)和隨機(jī)森林，是用于基于視覺的分類和對(duì)象檢測的辨別模型。典型地，分類器在圖像中的每個(gè)像素處被估算，這是效率很低的。PBT是使用強(qiáng)分類器在內(nèi)部節(jié)點(diǎn)制造模糊決策的通用類型的決策樹。通常地，使用PBT需要多個(gè)遞歸的調(diào)用，這減慢了對(duì)象檢測。使用分層的方法或者級(jí)聯(lián)能夠改善效率，但3D的醫(yī)學(xué)應(yīng)用和實(shí)時(shí)應(yīng)用需要進(jìn)一步提聞效率。

發(fā)明內(nèi)容
本發(fā)明提供了用于評(píng)估概率推進(jìn)樹的方法和系統(tǒng)。在實(shí)施例中，在圖形處理單元上接收輸入數(shù)據(jù)。使用堆棧實(shí)現(xiàn)確定與概率推進(jìn)樹的每個(gè)節(jié)點(diǎn)相關(guān)聯(lián)的加權(quán)經(jīng)驗(yàn)分布。將與每個(gè)節(jié)點(diǎn)相關(guān)聯(lián)的加權(quán)經(jīng)驗(yàn)分布加到總的后驗(yàn)分布值中。在實(shí)施例中，通過使用堆棧實(shí)現(xiàn)確定與概率推進(jìn)樹的每個(gè)節(jié)點(diǎn)相關(guān)聯(lián)的加權(quán)經(jīng)驗(yàn)分布，以及將與每個(gè)節(jié)點(diǎn)相關(guān)聯(lián)的加權(quán)經(jīng)驗(yàn)分布加到總的后驗(yàn)分布值中，來確定概率推進(jìn)樹的后驗(yàn)分布。將概率推進(jìn)樹的根節(jié)點(diǎn)推入堆棧中，并且然后被確定是否經(jīng)過左子樹的節(jié)點(diǎn)或右子樹的節(jié)點(diǎn)降落(descend)。在實(shí)施例中，確定根節(jié)點(diǎn)的辨別分類器?；跐M足某些條件的辨別分類器，降落左節(jié)點(diǎn)，右節(jié)點(diǎn)，或者根節(jié)點(diǎn)的左右節(jié)點(diǎn)。降落節(jié)點(diǎn)包括確定那個(gè)節(jié)點(diǎn)的辨別分類器。如果該辨別分類器是葉節(jié)點(diǎn)，就將該節(jié)點(diǎn)的加權(quán)經(jīng)驗(yàn)分布加到總的后驗(yàn)值中。否則，將該節(jié)點(diǎn)推入到堆棧中并降落左節(jié)點(diǎn)，右節(jié)點(diǎn)或該節(jié)點(diǎn)的左右節(jié)點(diǎn)。在實(shí)施例中，使用并行計(jì)算架構(gòu)評(píng)估概率樹。并行計(jì)算架構(gòu)可以是統(tǒng)一計(jì)算設(shè)備架構(gòu)(CUDA)。堆棧可以與并行運(yùn)行的多個(gè)線程中的一個(gè)相關(guān)聯(lián)。在實(shí)施例中，公開了用于評(píng)估概率推進(jìn)樹的森林的方法和系統(tǒng)。在圖形處理單元上接收輸入數(shù)據(jù)。使用堆棧實(shí)現(xiàn)評(píng)估價(jià)多個(gè)概率推進(jìn)樹。生成基于多個(gè)概率推進(jìn)樹中的每一個(gè)的后驗(yàn)分布的組合后驗(yàn)分布。通過參考下面的詳細(xì)描述和附圖，本發(fā)明的這些優(yōu)點(diǎn)和其它優(yōu)點(diǎn)對(duì)于本領(lǐng)域的普通技術(shù)人員而言將是顯而易見的。


圖I示出了根據(jù)本發(fā)明的實(shí)施例，訓(xùn)練概率推進(jìn)樹(PBT)的方法；圖2示出了使用遞歸確定PBT節(jié)點(diǎn)的后驗(yàn)值的偽代碼；圖3示出了根據(jù)本發(fā)明的實(shí)施例，使用堆棧實(shí)現(xiàn)確定PBT節(jié)點(diǎn)后驗(yàn)值的偽代碼；圖4示出了根據(jù)本發(fā)明的實(shí)施例，確定概率推進(jìn)樹的節(jié)點(diǎn)的后驗(yàn)分布的方法；圖5示出了排列于紋理圖像中的典型的PBT數(shù)據(jù)結(jié)構(gòu)；圖6示出了根據(jù)本發(fā)明的實(shí)施例，評(píng)估PBT的典型的統(tǒng)一計(jì)算數(shù)據(jù)架構(gòu)(CUDA)基于堆棧的實(shí)現(xiàn)；圖7示出了根據(jù)本發(fā)明的實(shí)施例，示出哈爾特征類型的典型立方體；圖8示出了根據(jù)本發(fā)明的實(shí)施例，直方圖分類器和打包在紋理圖像的單個(gè)欄中的特征數(shù)據(jù)；圖9示出了根據(jù)本發(fā)明的實(shí)施例，用于實(shí)現(xiàn)特征計(jì)算的典型CUDA算法；圖10示出了根據(jù)本發(fā)明的實(shí)施例，所使用的具體的可控特征表；圖11示出了根據(jù)本發(fā)明的實(shí)施例，在CUDA中可控特征評(píng)估的實(shí)現(xiàn)的算法圖12示出了根據(jù)本發(fā)明的實(shí)施例，集成在現(xiàn)有軟件庫中的CUDA實(shí)現(xiàn)；圖13示出了根據(jù)本發(fā)明的實(shí)施例，用于評(píng)估概率推進(jìn)樹的森林的方法；圖14示出了根據(jù)本發(fā)明的實(shí)施例，示出當(dāng)線程評(píng)估不同分類器時(shí)和當(dāng)線程塊評(píng)估不同分類器時(shí)的執(zhí)行時(shí)間的圖表；圖15示出了根據(jù)本發(fā)明的實(shí)施例，總的檢測時(shí)間，中央處理單元(CPU)執(zhí)行時(shí)間， 和圖形處理單元(GPU)的等待時(shí)間；圖16示出了根據(jù)本發(fā)明的實(shí)施例，對(duì)于小型體和中等體的加速比較；以及圖17是能夠?qū)崿F(xiàn)本發(fā)明的計(jì)算機(jī)的高層級(jí)框圖。
具體實(shí)施例方式本發(fā)明關(guān)注評(píng)估概率推進(jìn)樹的方法和系統(tǒng)。在此描述本發(fā)明的實(shí)施例以給出對(duì)于評(píng)估概率推進(jìn)樹的方法的直觀理解。數(shù)字圖像通常由一個(gè)或多個(gè)對(duì)象(或形狀)的數(shù)字表示構(gòu)成。在此通常從識(shí)別和操縱對(duì)象的方面描述對(duì)象的數(shù)字表示。這種操縱是完成于計(jì)算機(jī)系統(tǒng)的存儲(chǔ)器或其它電路/硬件中的虛擬操縱。因此，可以理解的是，可以在計(jì)算機(jī)系統(tǒng)中使用計(jì)算機(jī)系統(tǒng)中存儲(chǔ)的數(shù)據(jù)來執(zhí)行本發(fā)明的實(shí)施例。圖I示出了根據(jù)本發(fā)明實(shí)施例的用于訓(xùn)練概率推進(jìn)樹(PBT)的方法。圖I更特別地描述了使用圖形處理單元(GPU)對(duì)概率推進(jìn)樹的加速訓(xùn)練。在步驟102，接收訓(xùn)練數(shù)據(jù)。訓(xùn)練數(shù)據(jù)可以被注解為包括圖像的訓(xùn)練數(shù)據(jù)，該圖像具有表示圖像中對(duì)象的界標(biāo)位置的注解。訓(xùn)練數(shù)據(jù)可以由具有表示圖像中對(duì)象的界標(biāo)位置的注解的圖像組成。訓(xùn)練數(shù)據(jù)可以是醫(yī)學(xué)圖像數(shù)據(jù)，例如計(jì)算機(jī)層析成像(CT)，核磁共振成像(MRI)，X射線或超聲波圖像數(shù)據(jù)。PBT對(duì)數(shù)據(jù)集的后驗(yàn)分布建立模型。在訓(xùn)練PBT中，目的是使得PBT能夠用作對(duì)圖像數(shù)據(jù)中的對(duì)象進(jìn)行分類和檢測的辨別模型。PBT是二進(jìn)制決策樹，具有在依賴于節(jié)點(diǎn)的強(qiáng)分類器的輸出的樹的每個(gè)內(nèi)部節(jié)點(diǎn)處采用的模糊決策。通過使用加權(quán)分布來組合其子節(jié)點(diǎn)的后驗(yàn)值來確定任意給定單個(gè)節(jié)點(diǎn)的后驗(yàn)值。通過評(píng)估節(jié)點(diǎn)的強(qiáng)(已學(xué)習(xí)的)分類器， qN(y I X)來確定在確定過程中使用的權(quán)重。每個(gè)節(jié)點(diǎn)N包含強(qiáng)分類器，g(y I X)，以及其葉節(jié)點(diǎn)的經(jīng)驗(yàn)分布qN(y)，其中
ye {-1，+1}，X是輸入點(diǎn)。強(qiáng)分類器可以是使用問題具體特征的任意分類器。例如，可以使用AdaBoost分類器，其組合幾個(gè)二進(jìn)制的弱分類器以產(chǎn)生強(qiáng)估算。在步驟104，訓(xùn)練數(shù)據(jù)被分類器分為第一數(shù)據(jù)集和第二數(shù)據(jù)集。劃分訓(xùn)練數(shù)據(jù)的分類器是與PBT的頂層父節(jié)點(diǎn)相關(guān)聯(lián)的強(qiáng)(已學(xué)習(xí)的)分類器。在步驟106，訓(xùn)練第一子樹和第二子樹。第一數(shù)據(jù)集用于訓(xùn)練父節(jié)點(diǎn)的第一子樹， 并且第二數(shù)據(jù)集用于訓(xùn)練父節(jié)點(diǎn)的第二子樹。使用特征矩陣訓(xùn)練PBT的每個(gè)節(jié)點(diǎn)處的分類器。在訓(xùn)練PBT期間，使用一組正例和反例來構(gòu)造PBT，這些正例和反例來源于不同的 3D圖像。PBT的每個(gè)節(jié)點(diǎn)包括強(qiáng)分類器，例如AdaBoost分類器，其可以被訓(xùn)練用于特定節(jié)點(diǎn)。計(jì)算特征矩陣(例如，對(duì)于每個(gè)輸入樣本評(píng)估每個(gè)可能的特征)，然后使用特征矩陣訓(xùn)練構(gòu)成強(qiáng)分類器的每一個(gè)弱分類器。使用特征矩陣，考慮每個(gè)特征如何作為分類器，通過使用貪心算法選擇每一個(gè)弱分類器可以順序地訓(xùn)練強(qiáng)分類器的弱分類器。在訓(xùn)練期間選擇弱分類器的算法包括三個(gè)階段。首先，必須計(jì)算特征界限。然后，特征值被映射到直方圖區(qū)間(bin)中的每個(gè)樣本。接著，遞增直方圖區(qū)間。然后用訓(xùn)練過的分類器對(duì)每個(gè)樣本進(jìn)行采樣以計(jì)算誤差。前面提到的所有步驟都可以在GPU上執(zhí)行。對(duì)分類器的操作是獨(dú)立的，所以每個(gè)弱分類器可以由不同的線程訓(xùn)練。特征矩陣的列索引了特征類型，而行索引了樣本。每個(gè)線程處理單個(gè)列。存儲(chǔ)特征矩陣作為單獨(dú)的分量浮點(diǎn)紋理。然后將輸入分成最大寬度的若干紋理， 并在塊中處理。通過CUDA紋理限制，限定是最大寬度為32768/浮點(diǎn)的尺寸=8192。特征數(shù)據(jù)停留在GPU上用于每個(gè)弱的訓(xùn)練分類器通行。對(duì)于每個(gè)通行，更新樣本的權(quán)重。返回到圖1，在步驟108，基于每個(gè)節(jié)點(diǎn)的特征矩陣生成PBT的經(jīng)過訓(xùn)練的后驗(yàn)分布模型。后驗(yàn)分布模型表示可以用于對(duì)象分類和對(duì)象檢測的一組分類。來自PBT的后驗(yàn)分布模型的這組分類此后可以由檢測器使用以執(zhí)行圖像數(shù)據(jù)上的檢測。例如，經(jīng)過訓(xùn)練的樹能夠用于在GPU上使用堆棧實(shí)現(xiàn)估算未見數(shù)據(jù)的后驗(yàn)概率，如同下面段落中更詳細(xì)討論的那樣。使用PBT進(jìn)行評(píng)估的數(shù)據(jù)并行本質(zhì)意味著利用GPU而不是中央處理單元(CPU)的計(jì)算能力是有益處的。因此，為了在GPU上實(shí)現(xiàn)PBT評(píng)估，在PBT的傳統(tǒng)評(píng)估中使用的多個(gè)遞歸調(diào)用可以用基于堆棧的實(shí)現(xiàn)來代替。高速緩存的紋理存儲(chǔ)器用于表示特征和樹數(shù)據(jù)結(jié)構(gòu)。由于GPU不支持遞歸調(diào)用，為了移除遞歸，基于堆棧的實(shí)現(xiàn)是必要的。作為比較，圖2示出了使用遞歸確定PBT節(jié)點(diǎn)的后驗(yàn)值的偽代碼。圖3示出了根據(jù)本發(fā)明的實(shí)施例，使用堆棧實(shí)現(xiàn)確定PBT節(jié)點(diǎn)的后驗(yàn)值的偽代碼。節(jié)點(diǎn)的后驗(yàn)概率被遞歸地計(jì)算作為子節(jié)點(diǎn)的后驗(yàn)概率的加權(quán)組合，參見參考數(shù)字 204。這種組合的權(quán)重因子通過評(píng)估節(jié)點(diǎn)的強(qiáng)分類器來確定，參見參考數(shù)字202。遞歸終止于樹的葉節(jié)點(diǎn)(即，沒有子節(jié)點(diǎn)的節(jié)點(diǎn))，其簡單地返回它們的經(jīng)驗(yàn)分布qN(+l)。最終結(jié)果， 或者每個(gè)節(jié)點(diǎn)的后驗(yàn)分布是子節(jié)點(diǎn)的加權(quán)經(jīng)驗(yàn)分布的和，由參考數(shù)字206參考的結(jié)果所表示。給予任意節(jié)點(diǎn)的經(jīng)驗(yàn)分布的總的權(quán)重是與從根到該節(jié)點(diǎn)的路徑相關(guān)聯(lián)的權(quán)重的乘積。在圖3中示出了使用堆棧實(shí)現(xiàn)的算法。如圖3所示，堆棧保存將要遍歷的節(jié)點(diǎn)的列表和它們各自的權(quán)重。當(dāng)訪問葉節(jié)點(diǎn)時(shí)，具有其權(quán)重的那個(gè)葉節(jié)點(diǎn)的經(jīng)驗(yàn)分布被加到根節(jié)點(diǎn)的總的經(jīng)驗(yàn)分布中，由參考數(shù)字302表示。根節(jié)點(diǎn)和對(duì)應(yīng)的權(quán)重首先被推入到堆棧中。隨后順序處理堆棧中的每個(gè)節(jié)點(diǎn)，由參考數(shù)字306表示。如果節(jié)點(diǎn)是葉節(jié)點(diǎn)，該節(jié)點(diǎn)的經(jīng)驗(yàn)分布由對(duì)應(yīng)的權(quán)重進(jìn)行加權(quán)和累積于樹的全部后驗(yàn)，如參考數(shù)字302所表示。如果特定節(jié)點(diǎn)具有子節(jié)點(diǎn)，那么帶著權(quán)重將左葉子節(jié)點(diǎn)或右葉子節(jié)點(diǎn)放入到堆棧中，該權(quán)重是父節(jié)點(diǎn)的權(quán)重和依賴于父節(jié)點(diǎn)的強(qiáng)分類器的值的因子的乘積，如參考數(shù)字312所示。對(duì)沒有被推入到堆棧上的子節(jié)點(diǎn)的經(jīng)驗(yàn)分布進(jìn)行加權(quán)，并將其累加到樹的總的后驗(yàn)分布。權(quán)重與父節(jié)點(diǎn)的權(quán)重和在父節(jié)點(diǎn)上評(píng)估的強(qiáng)分類器的值是成比例的。所有這些乘積的和表示用于PBT的總的后驗(yàn)分布模型，如參考數(shù)字310 表不。圖4示出了根據(jù)本發(fā)明的實(shí)施例，使用GPU的用于確定概率推進(jìn)樹的節(jié)點(diǎn)的后驗(yàn)分布的方法。在步驟402，在GPU接收輸入數(shù)據(jù)。輸入數(shù)據(jù)可以是從圖像獲取設(shè)備處接收的2D 圖像或3D體積。3D體積是C形臂CT體積，計(jì)算機(jī)層析成像(CT)體積，核磁共振成像(MRI) 體積等等。3D體積能夠從圖像獲取設(shè)備，例如C形臂圖像獲取系統(tǒng)處接收，或者可以是之前存儲(chǔ)的體積，其從計(jì)算機(jī)系統(tǒng)的內(nèi)存或存儲(chǔ)器，或一些其它計(jì)算機(jī)可讀介質(zhì)中載入。在步驟404，使用堆棧實(shí)現(xiàn)確定與概率推進(jìn)樹的每個(gè)節(jié)點(diǎn)相關(guān)聯(lián)的加權(quán)經(jīng)驗(yàn)分布。
使用帶有堆棧實(shí)現(xiàn)的上述原理來確定后驗(yàn)概率 I X)。特別地，概率推進(jìn)樹的根節(jié)點(diǎn)是
首先推入到堆棧上。然后確定是否通過左子樹中的節(jié)點(diǎn)或通過右子樹中的節(jié)點(diǎn)來向下降落 PBT。在確定是否向下降落節(jié)點(diǎn)中，首先確定根節(jié)點(diǎn)的辨別分類器。如果根節(jié)點(diǎn)的辨別分類器滿足表示左節(jié)點(diǎn)必須被降落的第一條件，那么該方法進(jìn)入到向下降落左子樹中的左節(jié)點(diǎn)。如果根節(jié)點(diǎn)的辨別分類器滿足表示右節(jié)點(diǎn)必須被降落的第二條件，那么該方法進(jìn)入到向下降落左子樹中的右節(jié)點(diǎn)。如果根節(jié)點(diǎn)的辨別分類器滿足第三條件，那么該方法向下降落前面提到的左節(jié)點(diǎn)和前面提到的右節(jié)點(diǎn)。在降落到節(jié)點(diǎn)之后，確定那個(gè)節(jié)點(diǎn)的辨別分類器。如果確定該節(jié)點(diǎn)是葉節(jié)點(diǎn)，那么將那個(gè)節(jié)點(diǎn)的加權(quán)經(jīng)驗(yàn)分布加到總的后驗(yàn)分布值中。如果該節(jié)點(diǎn)滿足第一條件，那么該節(jié)點(diǎn)將被推入到堆棧上，并且該節(jié)點(diǎn)的左子節(jié)點(diǎn)將被降落。如果該節(jié)點(diǎn)滿足第二條件，那么該節(jié)點(diǎn)被推入到堆棧上，并且該節(jié)點(diǎn)的右子節(jié)點(diǎn)將被降落。如果該節(jié)點(diǎn)滿足第三條件，那么該節(jié)點(diǎn)被推入到堆棧上，并且左和右子節(jié)點(diǎn)均被降落。在步驟406，將概率推進(jìn)樹的每個(gè)節(jié)點(diǎn)的加權(quán)經(jīng)驗(yàn)分布加到總的后驗(yàn)分布值中。總的后驗(yàn)分布表示能夠在2D圖像或3D體積中的對(duì)象或界標(biāo)檢測中使用的后驗(yàn)分布模型。在有益的實(shí)施例中，上述的評(píng)估PBT的方法可以使用統(tǒng)一計(jì)算設(shè)備架構(gòu)(CUDA)編程模型來實(shí)現(xiàn)。在CUDA編程模型中，并行問題被分解進(jìn)入線程化塊的網(wǎng)格中，每個(gè)塊包含許多線程。塊被分配給GPU的流式多處理器，其打破所述塊并將其調(diào)度進(jìn)入32個(gè)線程的組。 在檢測或分類中，線程塊的網(wǎng)格將過度地是輸入空間(例如，體積中的所有像素)，并且對(duì)于體積或不同方向/標(biāo)度假設(shè)中的不同像素，每個(gè)線程將評(píng)估分類器
編程模型揭露了存儲(chǔ)器架構(gòu)，其包括16kb的低等待時(shí)間的共享存儲(chǔ)器(從相同塊內(nèi)的線程可以訪問)，高等待時(shí)間的本地存儲(chǔ)器(每個(gè)線程)，全局存儲(chǔ)器(所有線程均可訪問)，以及通過紋理存儲(chǔ)器的高速緩存全局訪問。設(shè)計(jì)哈當(dāng)使用這些存儲(chǔ)器類型的算法是提聞效率的關(guān)鍵。在GPU上實(shí)現(xiàn)評(píng)估概率推進(jìn)樹，幾個(gè)線程將并行降落該樹。因此，相鄰的線程可以在不同區(qū)域中訪問該樹的數(shù)據(jù)結(jié)構(gòu)，所以，在全局存儲(chǔ)器中放置樹結(jié)構(gòu)可能會(huì)導(dǎo)致慢的非聯(lián)合存儲(chǔ)器訪問。但是，由于樹數(shù)據(jù)結(jié)構(gòu)太大以至于完全不適合在16kb的共享存儲(chǔ)器中， 所以樹數(shù)據(jù)結(jié)構(gòu)可以被打包在紋理圖像中。定位了節(jié)點(diǎn)的2D區(qū)域的2D位置索引，而不是節(jié)點(diǎn)指針，被置于紋理圖像中。例如，節(jié)點(diǎn)數(shù)據(jù)可以包含AdaBoost分類器，其包括幾個(gè)弱分類器。每個(gè)節(jié)點(diǎn)包含簡單閾值分類器或直方圖分類器，基于單個(gè)特征做出其決策。因此，置于紋理圖像中的PBT 節(jié)點(diǎn)數(shù)據(jù)必須存儲(chǔ)阿爾法(或加權(quán))值的和，弱分類器的數(shù)量，以及用于每個(gè)分類器的數(shù)據(jù)。弱分類器被存儲(chǔ)于紋理圖像的相鄰列中，每個(gè)列包含相關(guān)權(quán)重Qit5圖5示出了在紋理圖像中打包的典型的PBT數(shù)據(jù)結(jié)構(gòu)。所有弱分類器沿著列502a-502g被布置，并且每個(gè)PBT 節(jié)點(diǎn)存儲(chǔ)對(duì)于它們的子節(jié)點(diǎn)的2D紋理坐標(biāo)索引，由節(jié)點(diǎn)O的504a，節(jié)點(diǎn)I的504b和節(jié)點(diǎn)3 的504c表不。圖6示出了使用圖3所示的算法評(píng)估PBT的典型CUDA的基于堆棧的實(shí)現(xiàn)。為了向PBT評(píng)估中引進(jìn)新的特征類型，圖6中所示的CUDA PBT評(píng)估函數(shù)由 feature_func表示,其允許添加新的特征類型。3D樣本盒信息和特征數(shù)據(jù)的2D紋理位置被傳送給這個(gè)特征評(píng)估函數(shù)。邊緣空間學(xué)習(xí)(MSL)是用于執(zhí)行對(duì)象定位的有效方法。在MSL中，用于相似性轉(zhuǎn)換的大的九維搜索空間被分解為一系列從變換到全相似的較小搜索空間。在檢測期間，在體積中的像素上評(píng)估辨別分類器以確定候選位置的小集合(例如，100-1000)。通過使用一系列假設(shè)方向和規(guī)模相似性對(duì)這些候選盒中的每一個(gè)進(jìn)行評(píng)估來檢測方向。聚集候選者的最終列表以獲得單個(gè)的姿態(tài)估算?？梢允褂脤SL擴(kuò)展到多個(gè)結(jié)構(gòu)檢測的分層檢測網(wǎng)絡(luò)(HDN)。HDN將共同的多對(duì)象檢測問題分解為具有用于對(duì)象預(yù)測的空間先驗(yàn)的序列檢測。多結(jié)構(gòu)的分層檢測被分解為對(duì)每個(gè)結(jié)構(gòu)進(jìn)行位置，方向，規(guī)模檢測的節(jié)點(diǎn)網(wǎng)絡(luò)?？臻g依賴也被描述為這個(gè)檢測網(wǎng)絡(luò)中的弧線。雖然MSL是有效的檢測框架，但是主要的計(jì)算負(fù)擔(dān)來自于每個(gè)檢測階段中對(duì)辨別分類器的評(píng)估。在位置檢測中，分類器既可以通過在圖像中的3D位置上循環(huán)來評(píng)估(如果節(jié)點(diǎn)沒有祖先的話)，或也可以通過在由前面的節(jié)點(diǎn)所提供的候選位置集合上循環(huán)來評(píng)估。 對(duì)于方向和規(guī)模檢測，使用每個(gè)可能的方向(或規(guī)模)假設(shè)在每個(gè)輸入候選位置上評(píng)估分類器。同樣的分類器在不同的數(shù)據(jù)上被評(píng)估，這使得其對(duì)于GPU的數(shù)據(jù)并行能力而言是理想的檢測算法。使用PBT作為用于MSL的分類器，GPU加速實(shí)現(xiàn)是可能的。在檢測期間，使用圍繞特定位置(和姿態(tài))的上下文評(píng)估PBT樹。在運(yùn)行中可以從輸入圖像中計(jì)算特征。在MSL中，位置檢測使用哈爾特征，并且隨后的方向和規(guī)模檢測使用有效的可控特征，其使用盒子的候選姿態(tài)對(duì)體積中的圖像強(qiáng)度和梯度進(jìn)行采樣。哈爾特征是圖像立方體區(qū)域的和的加權(quán)組合。使用完整的圖像有效地計(jì)算這些和。特征使用不超過四個(gè)立方體。圖7說明了示出哈爾特征類型的典型立方體。立方體 702指示負(fù)的權(quán)重。給定位置的可能特征由這些盒子的各種轉(zhuǎn)換和比例版本組成。每個(gè)可能的特征通過這些立方體(與測試點(diǎn)相關(guān))的尺寸，重量和位置來描述。圖8示出了直方圖分類器和打包在紋理圖像的單個(gè)列中的特征數(shù)據(jù)。列802用直方圖分類器示出了哈爾特征的布局， 其中每個(gè)立方體必須存儲(chǔ)于紋理中。直方圖包含64個(gè)區(qū)間，并打包到被解釋為整數(shù)的兩個(gè)浮點(diǎn)分量。列804用閾值分類器示出了可控特征，僅僅需要閾值用于分類器和單個(gè)紋理元素以存儲(chǔ)特征信息。接著通過查找特征的立方體，評(píng)估整體圖像，以及組合結(jié)果來進(jìn)行在GPU上的評(píng)估。圖9示出了用于執(zhí)行上述特征計(jì)算的典型CUDA算法。為了避免邊界測試的條件，整體圖像的邊界用充滿零值的額外平面填充。用于在GPU上計(jì)算3D情景中的整體圖像的并行工作有效算法需要模擬在3個(gè)階段中進(jìn)行的3D整體圖像計(jì)算的典型CPU實(shí)現(xiàn)。當(dāng)執(zhí)行用零值對(duì)整體圖像的填充時(shí)，如上所述，X方向中的圖像聚集也在CPU上執(zhí)行。一旦這個(gè)被填充的圖像被傳送到GPU，x-z平面上的線程塊網(wǎng)格就被用于y方向上的聚集。同樣的步驟發(fā)生在z方向上，其中線程位于x-y 平面。圖10示出了所使用的特定可控特征的表。I表示圖像強(qiáng)度，VI={IX，iy，Iz}，d是輸入樣本方向。對(duì)于特定的樣本位置，特征是灰度值，梯度，或輸入方向上梯度的投影的變換。在方向盒檢測的情況下，輸入方向來自于盒的X軸，3D位置的離散采樣被認(rèn)為是用于被檢測的盒中的這些特征。這些特征中的每一個(gè)能夠在圖像金字塔的幾個(gè)圖像分辨率中的一個(gè)上被計(jì)算。因此，每個(gè)特征通過其在3D采樣模式中的位置(3個(gè)整數(shù))，特征類型中的位置(I個(gè)整數(shù))，離散圖像規(guī)模被計(jì)算的位置(I個(gè)整數(shù))被完全地描述。通過將類型和規(guī)模打包進(jìn)單個(gè)值中(例如規(guī)模*32+類型)，這個(gè)數(shù)據(jù)能被打包進(jìn)入紋理圖像的僅僅IRGBA像素中。為了避免大的條件句或?qū)⑺谢咎卣黝愋妥鳛槲ㄒ辉貙?duì)待的轉(zhuǎn)換語句，抽取一系列共同抽取。抽取發(fā)生在兩個(gè)階段，數(shù)據(jù)抽取和修改。在數(shù)據(jù)抽取期間，抽取要被抽取以用于修改的最初數(shù)據(jù)。這需要對(duì)應(yīng)于圖10中所示的那些的一群條件。在數(shù)據(jù)抽取之后， 能夠應(yīng)用三個(gè)修改量乘方，絕對(duì)值，或?qū)?shù)。要被抽取的數(shù)據(jù)類型和隨后的修改量都作為標(biāo)記存儲(chǔ)于長度為25的表中。圖11示出了用于可控特征評(píng)估的在CUDA中實(shí)現(xiàn)的算法。在圖11中示出的算法中，P= {^，^，^，輸入方向川={0，dx，dy，dz}，在參考數(shù)字1102處定義。如果塊中的線程發(fā)散，每個(gè)線程到其它線程的路徑是短的(并且不是特征的整個(gè)評(píng)估)。數(shù)據(jù)抽取和標(biāo)記存儲(chǔ)由參考數(shù)字1104表示，并且像素變換由參考數(shù)字1106表示。由于在CUDA中紋理數(shù)組不能被動(dòng)態(tài)地索引，因此將圖像的多重尺度打包進(jìn)單個(gè)紋理中。偏移量表存儲(chǔ)這個(gè)紋理中每個(gè)分辨率的較低左角。圖12示出了整合在現(xiàn)有軟件庫中的CUDA實(shí)現(xiàn)。GPU實(shí)現(xiàn)通常與檢測包隔離，通過來自 SrcObjectPositionDetector 1202 和 SrcBoxDetector 1204 揭露接口。檢測器可以使用分類器，例如PBT,或random forest ,將在下面討論。為了與CUDA 對(duì)接，對(duì)象位置檢測器，SrcCudaPositionDetector 1206 替換 CPU 位置檢測器中的主分類器循環(huán)。這個(gè)循環(huán)在全部3D體積或先前生成的位置候選者的集合上迭代。在這些位置在GPU上對(duì)來自下層分類器的后驗(yàn)分布的評(píng)估進(jìn)行調(diào)度。隨后結(jié)果在 GPU上分類，并且僅僅將所需數(shù)量的候選位置傳送回主存儲(chǔ)器。這種情況與由SrcBoxDetector 1204處理的方向及規(guī)模檢測相似。導(dǎo)出公共接口以替換對(duì)檢測方向和規(guī)模負(fù)責(zé)的例程。在這些例子中，輸入是m個(gè)候選盒子位置的集合，也存在用于這些位置的η個(gè)假設(shè)方向(或規(guī)模)的集合。在方向檢測期間，對(duì)應(yīng)于假設(shè)方向的 3D坐標(biāo)軸被計(jì)算并被傳送到GPU作為紋理。用于方向檢測的CUDA內(nèi)核，由參考數(shù)字1208 表示，使用m*n線程以評(píng)估用于使用每個(gè)潛在方向的所有可能的候選盒子的PBT。這種情況與規(guī)模檢測類似，雖然假設(shè)規(guī)模而不是方向被傳送到GPU。圖13示出了根據(jù)本發(fā)明的實(shí)施例，用于評(píng)估概率推進(jìn)樹的森林的方法。決策樹， 例如概率推進(jìn)樹，可以在森林算法中使用，例如隨機(jī)森林算法。對(duì)森林算法的評(píng)估與PBT 的評(píng)估類似。例如，森林可以包括多個(gè)PBT，并且森林的后驗(yàn)分布輸出是每個(gè)PBT輸出的組合。在步驟1302，在GPU接收輸入數(shù)據(jù)。在步驟1304，使用堆棧實(shí)現(xiàn)評(píng)估多個(gè)PBT。堆棧實(shí)現(xiàn)可以是一種上面關(guān)于圖4方法所述的實(shí)現(xiàn)。在步驟1306，生成每個(gè)PBT的組合后驗(yàn)分布模型。后驗(yàn)分布模型可以由
表示，其中τ表示樹的數(shù)量。后驗(yàn)分布模型表示可以用于對(duì)象分類和對(duì)象檢
測的分類的集合。來自PBT的后驗(yàn)分布模型的分類集合之后可以由檢測器使用以執(zhí)行在圖像數(shù)據(jù)上的檢測。執(zhí)行使用此處所述方法的實(shí)驗(yàn)。特別地，該實(shí)驗(yàn)在兩個(gè)硬件配置上執(zhí)行配置 I) IGB Nvidia9800GT 和 Intel Core (2) Duo 和 3. 5GB RAM ;配置 2) I. 5GB Nvidia480GTX 和 Intel Core Quad和16GB RAM。呈現(xiàn)用于評(píng)估PBT的結(jié)果，也就是特征評(píng)估，弱分類器評(píng)估， 強(qiáng)分類器評(píng)估，和全分類器評(píng)估。就準(zhǔn)確性和效率方面的改進(jìn)而言，GPU-PBT實(shí)現(xiàn)與隨機(jī)森林的實(shí)現(xiàn)相比很類似。除非另外說明，所有的計(jì)時(shí)結(jié)果將GPU版本和OpenMP實(shí)現(xiàn)相比較，其中配置I有 2個(gè)線程，而配置2有8個(gè)線程。在所有的例子中，使用如下的數(shù)據(jù)集合I)在語義索引投影中使用的胎兒頭部的超聲波圖像的語義索引(SI)數(shù)據(jù)集合。 具有1_分辨率和從143 X 90 X 110到231 X 161 X 208尺寸的990體積用于訓(xùn)練。215用于測試。在6個(gè)結(jié)構(gòu)上建立HDN網(wǎng)絡(luò)，包括例如，胼胝體(CC)和小腦(CER)。HDN網(wǎng)絡(luò)對(duì)結(jié)構(gòu)之間的空間關(guān)系進(jìn)行編碼，并在4mm，2mm和Imm的體積分辨率上執(zhí)行檢測。2)具有從70X70X89到125X 125X334的圖像尺寸的包括247髖關(guān)節(jié)的CT掃描的數(shù)據(jù)集合。HDN網(wǎng)絡(luò)由對(duì)髖關(guān)節(jié)位置的檢測組成，并在16mm，8mm和4mm分辨率上執(zhí)行。如上所述，哈爾特征使用整體圖像，其能夠在GPU上計(jì)算。下面所示的表1，總結(jié)了使用GPU加速整體圖像計(jì)算可能的加速。表I示出了將GPU加速版本與多線程的OpenMP 版本進(jìn)行對(duì)比的表中的加速。對(duì)于每種配置，右列表示當(dāng)不需要讀回圖像時(shí)的時(shí)間。計(jì)時(shí)包括填充圖像以及將結(jié)果傳到GPU上的時(shí)間。對(duì)于2563的體積來說，當(dāng)整體圖像不需要被讀回時(shí)(正如在檢測期間的情況)，在兩個(gè)系統(tǒng)上獲得5倍加速，。8/13 頁
配置I配置2尺寸w/ readw/oreadw/ readW/o read6430.791.581.492.4912833.475.072.153.4425634.045.573.115.2040033.895.352.954.86表I下面示出的表2，示出了貫穿評(píng)估過程對(duì)可控特征和哈爾特征所獲得的加速。特征行只考慮評(píng)估特征。在這些測試中，在體積中的所有像素上評(píng)估同樣的特征。很明顯，可控特征給出較好的加速，可能是因?yàn)樗鼈兊膶?shí)現(xiàn)涉及到更多計(jì)算，但是哈爾特征主要地涉及紋理查找和僅僅幾個(gè)附加物(例如，帶寬限制)。如所期望的那樣，這些加速傳播到弱分類器評(píng)估中，其僅僅評(píng)估單個(gè)特征并查找直方圖區(qū)間中的比特。然而，強(qiáng)分類器評(píng)估并組合大約40個(gè)弱分類器的結(jié)果。在這個(gè)情況中，兩個(gè)特征類型開始更相似的行為，其中使用配置
I實(shí)現(xiàn)26倍的加速。在配置2，具有可控特征的強(qiáng)分類器還是比哈爾特征快I. 5倍。
配置I配置2哈爾可控哈爾可控特征3.2x15χ4.9χ21.5χ10·5χ25.7χ38.6χ112.4χ強(qiáng)26χ26χ22·3χ36.5χPBT4.7χ7χ11·5χ12.18χ表 2當(dāng)提到評(píng)估整個(gè)樹(表2的PBT行)時(shí)，在配置I上只有4. 7倍的加速，在配置2 上只有12倍的加速。強(qiáng)分類器的加速限制了 PBT樹上可得到的加速。對(duì)于不同加速倍數(shù)的解釋可能是由于高速緩存一致性。當(dāng)評(píng)估每個(gè)像素上的單個(gè)強(qiáng)分類器時(shí)，每個(gè)像素將訪問同樣相關(guān)的位置作為它的鄰居像素。由于樹被降落，鄰近像素可以采用不同的路徑沿樹向下，意味著它們將評(píng)估不同的強(qiáng)分類器，這些強(qiáng)分類器依次使用不同的特征。對(duì)于哈爾特征和可控特征而言，這意味著鄰近像素將從紋理中的不同相關(guān)位置中采樣，并采用不同的控制點(diǎn)。圖14說明了示出當(dāng)線程評(píng)估不同的分類器時(shí)和當(dāng)線程塊評(píng)估不同分類器時(shí)的執(zhí)行時(shí)間的圖表。當(dāng)降落PBT中的節(jié)點(diǎn)時(shí)，同一線程塊中的線程將評(píng)估不同的節(jié)點(diǎn)。線程曲線1402表示何時(shí)線程評(píng)估不同分類器，并且塊曲線1404表示何時(shí)不同的線程塊評(píng)估不同分類器。線程曲線1402示出，當(dāng)使用線程評(píng)估不同分類器時(shí)，存在較長的執(zhí)行時(shí)間。圖14 還示出由塊評(píng)估分類器不影響運(yùn)行時(shí)間。相反，當(dāng)由線程評(píng)估時(shí)，當(dāng)樹較深時(shí)，評(píng)估慢了 5 倍。
13
上面所示的實(shí)驗(yàn)結(jié)果示出了使用GPU加速PBT評(píng)估的潛在好處。但是，這些實(shí)驗(yàn)是在理想執(zhí)行環(huán)境中進(jìn)行的，其中存在用于GPU的足夠工作，并且在圖像中的所有體素上運(yùn)行同樣的程序。在下面的段落中，在已經(jīng)優(yōu)化過的分層檢測系統(tǒng)的上下文中評(píng)估PBT。表3示出了檢測在SI數(shù)據(jù)集中的6個(gè)結(jié)構(gòu)的定時(shí)和加速。這些時(shí)間在201個(gè)體積上被平均。大多數(shù)的執(zhí)行是在方向檢測和規(guī)模檢測中的(其使用可控特征)。在配置1，總體4. 8倍的加速略低于來自表2中所示的可控特征的PBT評(píng)估結(jié)果。同樣地，使用配置2， 分層檢測的9. 73倍加速略低于來自表2中可控特征的PBT評(píng)估結(jié)果。這是由于分層檢測具有固有序列的區(qū)域，其必須在主CPU上執(zhí)行(例如，讀回結(jié)果，刪除候選者，并且將檢測結(jié)果寫入到文件)。此外，檢測的一些階段只需要在僅僅1000個(gè)元素上評(píng)估PBT，意味著GPU
不能夠被完全使用。
權(quán)利要求
1.一種訓(xùn)練概率推進(jìn)樹的方法，包括在圖形處理單元(GPU)上接收訓(xùn)練數(shù)據(jù)；使用分類器將該訓(xùn)練數(shù)據(jù)劃分為第一數(shù)據(jù)集和第二數(shù)據(jù)集；在GPU上訓(xùn)練第一子樹和第二子樹，該第一子樹使用第一數(shù)據(jù)集并且該第二子樹使用第二數(shù)據(jù)集；基于已訓(xùn)練的第一子樹和已訓(xùn)練的第二子樹生成后驗(yàn)分布模型。
2.如權(quán)利要求I的方法，其中在GPU上訓(xùn)練第一子樹和第二子樹包括在第一子樹和第二子樹的每個(gè)節(jié)點(diǎn)處訓(xùn)練分類器。
3.如權(quán)利要求2的方法，其中在第一子樹和第二子樹的每個(gè)節(jié)點(diǎn)上訓(xùn)練分類器包括 為每個(gè)節(jié)點(diǎn)計(jì)算特征矩陣。
4.如權(quán)利要求3的方法，為每個(gè)節(jié)點(diǎn)計(jì)算特征矩陣包括計(jì)算特征邊界；基于該特征邊界將特征值映射到直方圖區(qū)間中的樣本；并且計(jì)算與每個(gè)分類器相關(guān)聯(lián)的誤差。
5.如權(quán)利要求I的方法,進(jìn)一步包括基于該后驗(yàn)分布模型確定一組分類。
6.如權(quán)利要求I的方法，其中使用并行計(jì)算架構(gòu)實(shí)現(xiàn)該用于評(píng)估概率推進(jìn)樹的方法。
7.如權(quán)利要求6的方法，其中該并行計(jì)算架構(gòu)是統(tǒng)一計(jì)算設(shè)備架構(gòu)(CUDA)。
8.如權(quán)利要求I的方法,進(jìn)一步包括使用訓(xùn)練過的概率推進(jìn)樹檢測3D體積中的結(jié)構(gòu)。
9.一種確定概率推進(jìn)樹的后驗(yàn)分布的方法，包括在圖形處理單元(GPU)上接收輸入數(shù)據(jù)；使用堆棧實(shí)現(xiàn)確定與概率推進(jìn)樹的每個(gè)節(jié)點(diǎn)相關(guān)聯(lián)的加權(quán)經(jīng)驗(yàn)分布；將與每個(gè)節(jié)點(diǎn)相關(guān)聯(lián)的加權(quán)經(jīng)驗(yàn)分布加到總的后驗(yàn)分布值中。
10.如權(quán)利要求9的方法，其中使用堆棧實(shí)現(xiàn)確定與概率推進(jìn)樹的每個(gè)節(jié)點(diǎn)相關(guān)聯(lián)的加權(quán)經(jīng)驗(yàn)分布包括將概率推進(jìn)樹的根節(jié)點(diǎn)推入堆棧；確定是否經(jīng)過左子樹中的節(jié)點(diǎn)或經(jīng)過右子樹中的節(jié)點(diǎn)來向下降落概率推進(jìn)樹。
11.如權(quán)利要求10的方法，其中確定是否經(jīng)過左子樹中的節(jié)點(diǎn)或經(jīng)過右子樹中的節(jié)點(diǎn)來向下降落概率推進(jìn)樹包括確定根節(jié)點(diǎn)的辨別分類器；如果根節(jié)點(diǎn)的辨別分類器符合第一條件，降落左子樹中的左節(jié)點(diǎn)；如果根節(jié)點(diǎn)的辨別分類器符合第二條件，降落右子樹中的右節(jié)點(diǎn)；以及如果根節(jié)點(diǎn)的辨別分類器符合第三條件，降落左節(jié)點(diǎn)和右節(jié)點(diǎn)；其中第一條件表示左節(jié)點(diǎn)必須被降落，第二條件表示右節(jié)點(diǎn)必須被降落，并且第三條件表示左節(jié)點(diǎn)和右節(jié)點(diǎn)都必須被降落。
12.如權(quán)利要求11的方法，其中降落左子樹中的左節(jié)點(diǎn)包括確定左節(jié)點(diǎn)的辨別分類器；如果左節(jié)點(diǎn)是葉節(jié)點(diǎn)，將該左節(jié)點(diǎn)的加權(quán)經(jīng)驗(yàn)分布加到總的后驗(yàn)分布值中；如果左節(jié)點(diǎn)滿足第一條件，將該左節(jié)點(diǎn)推入到堆棧中，并降落該左節(jié)點(diǎn)的左子節(jié)點(diǎn)； 如果左節(jié)點(diǎn)滿足第二條件，將該左節(jié)點(diǎn)推入到堆棧中，并降落該左節(jié)點(diǎn)的右子節(jié)點(diǎn)； 如果左節(jié)點(diǎn)滿足第三條件，將該左節(jié)點(diǎn)推入到堆棧中，并降落左子節(jié)點(diǎn)和右子節(jié)點(diǎn)。
13.如權(quán)利要求11的方法，其中降落右子樹中的右節(jié)點(diǎn)包括確定右節(jié)點(diǎn)的辨別分類器；如果右節(jié)點(diǎn)是葉節(jié)點(diǎn)，將該左節(jié)點(diǎn)的加權(quán)經(jīng)驗(yàn)分布加到總的后驗(yàn)分布值中；如果右節(jié)點(diǎn)滿足第一條件，將該右節(jié)點(diǎn)推入到堆棧中，并降落該右節(jié)點(diǎn)的左子節(jié)點(diǎn)； 如果右節(jié)點(diǎn)滿足第二條件，將該右節(jié)點(diǎn)推入到堆棧中，并降落該右節(jié)點(diǎn)的右子節(jié)點(diǎn)； 如果右節(jié)點(diǎn)滿足第三條件，將該右節(jié)點(diǎn)推入到堆棧中，并降落左子節(jié)點(diǎn)和右子節(jié)點(diǎn)。
14.如權(quán)利要求9的方法，其中使用并行計(jì)算架構(gòu)實(shí)現(xiàn)評(píng)估概率推進(jìn)樹的方法。
15.如權(quán)利要求9的方法，其中并行計(jì)算架構(gòu)是統(tǒng)一計(jì)算設(shè)備架構(gòu)(CUDA)。
16.如權(quán)利要求11的方法，其中該堆棧與多個(gè)并行運(yùn)行的線程中的一個(gè)相關(guān)聯(lián)。
17.一種評(píng)估概率推進(jìn)樹的森林的方法，包括在圖形處理單元(GPU)上接收輸入數(shù)據(jù)；使用堆棧實(shí)現(xiàn)評(píng)估多個(gè)概率推進(jìn)樹；基于多個(gè)概率推進(jìn)樹中的每一個(gè)的后驗(yàn)分布生成組合的后驗(yàn)分布。
18.一種用于訓(xùn)練概率推進(jìn)樹的系統(tǒng)，包括用于在圖形處理單元(GPU)上接收訓(xùn)練數(shù)據(jù)的裝置；用于使用分類器將該訓(xùn)練數(shù)據(jù)劃分為第一數(shù)據(jù)集和第二數(shù)據(jù)集的裝置；用于在GPU上訓(xùn)練第一子樹和第二子樹的裝置，該第一子樹使用第一數(shù)據(jù)集，并且該第二子樹使用第二數(shù)據(jù)集；用于基于已訓(xùn)練的第一子樹和已訓(xùn)練的第二子樹生成后驗(yàn)分布模型的裝置。
19.如權(quán)利要求18的系統(tǒng)，其中用于在GPU上訓(xùn)練第一子樹和第二子樹的裝置包括 用于在第一子樹和第二子樹的每個(gè)節(jié)點(diǎn)處訓(xùn)練分類器的裝置。
20.如權(quán)利要求19的系統(tǒng)，其中用于在第一子樹和第二子樹的每個(gè)節(jié)點(diǎn)上訓(xùn)練分類器的裝置包括用于為每個(gè)節(jié)點(diǎn)計(jì)算特征矩陣的裝置。
21.如權(quán)利要求20的系統(tǒng)，用于為每個(gè)節(jié)點(diǎn)計(jì)算特征矩陣的裝置包括用于計(jì)算特征邊界的裝置；用于基于該特征邊界將特征值映射到直方圖區(qū)間中的樣本的裝置；以及用于計(jì)算與每個(gè)分類器相關(guān)聯(lián)的誤差的裝置。
22.如權(quán)利要求18的系統(tǒng)，進(jìn)一步包括用于基于該后驗(yàn)分布模型確定一組分類的裝置。
23.如權(quán)利要求18的系統(tǒng)，其中用于評(píng)估概率推進(jìn)樹的系統(tǒng)是并行計(jì)算架構(gòu)。
24.如權(quán)利要求23的系統(tǒng)，其中該并行計(jì)算架構(gòu)是統(tǒng)一計(jì)算設(shè)備架構(gòu)(CUDA)。
25.如權(quán)利要求18的系統(tǒng)，進(jìn)一步包括用于使用訓(xùn)練過的概率推進(jìn)樹檢測3D體積中的結(jié)構(gòu)的裝置。
26.—種用于確定概率推進(jìn)樹的后驗(yàn)分布的系統(tǒng),包括用于在圖形處理單元(GPU)上接收輸入數(shù)據(jù)的裝置；用于使用堆棧實(shí)現(xiàn)確定與概率推進(jìn)樹的每個(gè)節(jié)點(diǎn)相關(guān)聯(lián)的加權(quán)經(jīng)驗(yàn)分布的裝置；用于將與每個(gè)節(jié)點(diǎn)相關(guān)聯(lián)的加權(quán)經(jīng)驗(yàn)分布加到總的后驗(yàn)分布值中的裝置。
27.如權(quán)利要求26的系統(tǒng)，其中用于使用堆棧實(shí)現(xiàn)確定與概率推進(jìn)樹的每個(gè)節(jié)點(diǎn)相關(guān)聯(lián)的加權(quán)經(jīng)驗(yàn)分布的裝置包括用于將概率推進(jìn)樹的根節(jié)點(diǎn)推入堆棧的裝置；用于確定是否經(jīng)過左子樹中的節(jié)點(diǎn)或經(jīng)過右子樹中的節(jié)點(diǎn)來向下降落概率推進(jìn)樹的>j-U ρ α裝直。
28.如權(quán)利要求27的系統(tǒng)，其中用于確定是否經(jīng)過左子樹中的節(jié)點(diǎn)或經(jīng)過右子樹中的節(jié)點(diǎn)來向下降落概率推進(jìn)樹的裝置包括用于確定根節(jié)點(diǎn)的辨別分類器的裝置；用于如果根節(jié)點(diǎn)的辨別分類器符合第一條件，降落左子樹中的左節(jié)點(diǎn)的裝置；用于如果根節(jié)點(diǎn)的辨別分類器符合第二條件，降落右子樹中的右節(jié)點(diǎn)的裝置；以及用于如果根節(jié)點(diǎn)的辨別分類器符合第三條件，降落左節(jié)點(diǎn)和右節(jié)點(diǎn)的裝置；其中第一條件表示左節(jié)點(diǎn)必須被降落，第二條件表示右節(jié)點(diǎn)必須被降落，并且第三條件表示左節(jié)點(diǎn)和右節(jié)點(diǎn)都必須被降落。
29.如權(quán)利要求28的系統(tǒng)，其中用于降落左子樹中的左節(jié)點(diǎn)的裝置包括用于確定左節(jié)點(diǎn)的辨別分類器的裝置；用于如果左節(jié)點(diǎn)是葉節(jié)點(diǎn)，將該左節(jié)點(diǎn)的加權(quán)經(jīng)驗(yàn)分布加到總的后驗(yàn)分布值中的裝置；用于如果左節(jié)點(diǎn)滿足第一條件，將該左節(jié)點(diǎn)推入到堆棧中，并降落該左節(jié)點(diǎn)的左子節(jié)點(diǎn)的裝置；用于如果左節(jié)點(diǎn)滿足第二條件，將該左節(jié)點(diǎn)推入到堆棧中，并降落該左節(jié)點(diǎn)的右子節(jié)點(diǎn)的裝置；用于如果左節(jié)點(diǎn)滿足第三條件，將該左節(jié)點(diǎn)推入到堆棧中，并降落左子節(jié)點(diǎn)和右子節(jié)點(diǎn)的裝置。
30.如權(quán)利要求28的系統(tǒng)，其中用于降落右子樹中的右節(jié)點(diǎn)的裝置包括用于確定右節(jié)點(diǎn)的辨別分類器的裝置；用于如果右節(jié)點(diǎn)是葉節(jié)點(diǎn)，將該左節(jié)點(diǎn)的加權(quán)經(jīng)驗(yàn)分布加到總的后驗(yàn)分布值中的裝置；用于如果右節(jié)點(diǎn)滿足第一條件，將該右節(jié)點(diǎn)推入到堆棧中，并降落該右節(jié)點(diǎn)的左子節(jié)點(diǎn)的裝置；用于如果右節(jié)點(diǎn)滿足第二條件，將該右節(jié)點(diǎn)推入到堆棧中，并降落該右節(jié)點(diǎn)的右子節(jié)點(diǎn)的裝置；用于如果右節(jié)點(diǎn)滿足第三條件，將該右節(jié)點(diǎn)推入到堆棧中，并降落左子節(jié)點(diǎn)和右子節(jié)點(diǎn)的裝置。
31.如權(quán)利要求26的系統(tǒng)，其中使用并行計(jì)算架構(gòu)實(shí)現(xiàn)評(píng)估概率推進(jìn)樹的系統(tǒng)。
32.如權(quán)利要求31的方法，其中并行計(jì)算架構(gòu)是統(tǒng)一計(jì)算設(shè)備架構(gòu)(CUDA)。
33.如權(quán)利要求28的系統(tǒng)，其中該堆棧與多個(gè)并行運(yùn)行的線程中的一個(gè)相關(guān)聯(lián)。
34.一種用于評(píng)估概率推進(jìn)樹的森林的系統(tǒng)，包括用于在圖形處理單元(GPU)上接收輸入數(shù)據(jù)的裝置；用于使用堆棧實(shí)現(xiàn)評(píng)估多個(gè)概率推進(jìn)樹的裝置；用于基于多個(gè)概率推進(jìn)樹中的每一個(gè)的后驗(yàn)分布生成組合的后驗(yàn)分布的裝置。
全文摘要
公開了一種評(píng)估概率推進(jìn)樹的方法和系統(tǒng)。在實(shí)施例中，在圖形處理單元上接收輸入數(shù)據(jù)。使用堆棧實(shí)現(xiàn)確定與該概率推進(jìn)樹的每個(gè)節(jié)點(diǎn)相關(guān)聯(lián)的加權(quán)經(jīng)驗(yàn)分布。將與每個(gè)節(jié)點(diǎn)相關(guān)聯(lián)的該加權(quán)經(jīng)驗(yàn)分布加到總的后驗(yàn)分布值中。
文檔編號(hào)G06K9/62GK102592133SQ201110372598
公開日2012年7月18日 申請(qǐng)日期2011年9月22日 優(yōu)先權(quán)日2010年9月22日
發(fā)明者M·索夫卡, N·伯克貝克, S·K·周 申請(qǐng)人:西門子公司