Batch Image Processing in Facial Detection Applications
Notice bibliographique
Résumé
Batch image processing for facial detection involves running a facial detection algorithm, in parallel, on batches containing multiple images rather than serially on a sequence consisting of single images. Batch image processing is crucial in live-video facial detection applications where the real-time processing of many frames is required. The performance of a facial detection application can be drastically improved when facial detection is done in parallel on batches containing multiple images. In this work, we analyze the performance gain due to running a GPU-based facial detection algorithm, in parallel, on batches of images versus the performance of running the GPU-based facial detection algorithm serially on a sequence of single images. We vary the number of images in which faces are to-be detected from 128 images to 1024 images. For each of the prior mentioned image sets, we measure the performance when the number of images per detection batch is varied from 1 image per batch (sequential) to 1024 images per batch in multiples of 2. We find that the technique of batch image processing improves the performance of a face detection application by approximately 10-11x on to-be-detected image sets consisting of 128, 256, and 1024 images. This performance improvement is attributed to a reduction in the communication overhead between the host CPU and GPU occurring on the PCI bus. Moreover, the technique of batch image processing enables the utilization of more of the GPU's resources that are left underutilized when GPU-based facial detection is done serially on a sequence of single images.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,003 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».