2. 목차

3.
• PCA를

4. 이용한

5. 얼굴인식기

6.
– 얼굴인식

7. 개요

8.
– 주요

9. 모듈의

10. 병렬성

11.
• GPU와

12. 병렬프로그래밍

13.
– CUDA

14.
– OpenCL

15.
• GPU

16. 기반

17. 얼굴인식기의

18. 설계

19.
– 매핑

20.
– 동기화

21.
• 실험결과

22. 및

23. 결론

25. 목차

26.
• PCA를

27. 이용한

28. 얼굴인식기

29.
– 얼굴인식

30. 개요

31.
– 주요

32. 모듈의

33. 병렬성

34.
• GPU와

35. 병렬프로그래밍

36.
– CUDA

37.
– OpenCL

38.
• GPU

39. 기반

40. 얼굴인식기의

41. 설계

42.
– 매핑

43.
– 동기화

44.
• 실험결과

45. 및

46. 결론

48. 얼굴인식

49.
• 컴퓨터가

50. 얼굴을

51. 학습하여

52. 식별해내는

53. 일

54.
• 다수의

55. 응용분야

56.
-

57. 보안,

58. 정보분류

59. 등

60.
• 학습(training)

61.
– 입력:

62. 서로

63. 다른

64. 여러

65. 얼굴이미지들

66.
– 출력:

67. 학습된

68. 정보

69.
• 식별(testing)

70.
– 입력:

71. 학습된

72. 정보

73.
– 출력:

74. 식별결과

75.
• 픽셀단위

76. 정보를

77. 처리하는

78. 작업으로

79. 학습에

80. 많은

81. 시간이

82. 소
요

84. PCA

85. (Principle

86. Component

87. Analysis)

88.
• 주성분

89. 분석

90.
• 차원

91. 정보를

92. 줄이는

93. 방법

94.
– 입력

95. 정보들을

96. 비교하여

97. 고유

98. 벡터(eigenvector)를

99. 구하고,

100. 입
력

101. 정보를

102. 고유벡터로

103. 표현

104.
고차원

106.
정보

108.
고차원

109. 주성분

110. 및

112.
정보

114.
고차원

115. PCA

116. 정보별

117. 가중치

118.
정보

120.
고차원

121.
정보

122.
가공된

123.
가공된

124.
정보

125.
가공된

126.
정보

127.
Projection

128. 저차원

129.
정보

130.
정보

132. PCA를

133. 이용한

134. 얼굴인식

135.
• 입력

136. 얼굴이미지

137.
– 픽셀

138. 개수만큼의

139. 차원

140. 

141. 너무

142. 많은

143. 정보

146.
• PCA를

147. 통해

148. 주성분(고유성분)을

149. 계산

150.
• 얼굴공간(face

151. space)에

152. 대한

153. 프로젝션

154.
– 각

155. 입력

156. 얼굴이미지에

157. 대해,

158. 주성분들에

159. 대한

160. 가중치를

161. 구하는

162.
것

163.
• 입력

164. 얼굴이미지는

165. 주성분들의

166. 선형식으로

167. 재구성

168. 가능

169.
– 주성분들에

170. 대한

171. 가중치를

172. 이용한

173. weighted

174. sum

176. PCA를

177. 이용한

178. 얼굴인식

179.
입력

180. 얼굴이미지

181. 고유성분

182. 얼굴(
eigen

183. face)

184.
PCA

185.
입력얼굴이미지의

187.
pixel

188. space

189. 고유얼굴별

190. 가중치

192.
→ → → →
W 1 W 2 W 3 W 4
→ → → →
Projection

193. to

194. fac W 5 W 6 W 7 W 8
→ → → →
e

195. space

196.
W 9 W 10 W 11 W 12
→ → → →
W 13 W 14 W 15 W 16

197. PCA

198. 얼굴인식

199. 알고리즘

200. 주요모듈

201.
• 모듈1

202. :

203. 공분산

204. 행렬

205. 계산

206.
– 얼굴이미지

207. 픽셀

208. 단위의

209. 정보에

210. 대한

211. 공분산을

212. 계산

214.
– 각각

215. 계산된

216. 픽셀단위의

217. 정보를

218. 이미지

219. 단위로

220. 누적합

221.
• 모듈2

222. :

223. Jacobi

224. method

225.
– 고유

226. 벡터를

227. 계산

228.
Eigen value eigen
Covariance covar. value

229.
Computation Eigenface C
Matrix matrix

230. (Jacobi met eigen omputation

231.
Computation

232.
hod)

233. vector

234.
eigenfaces

235.
training images

236.
Projecting to S
weights

237. ubspace

238.
Face DB

239.
Training

241. PCA

242. 얼굴인식

243. 알고리즘

244. 주요모듈

245.
• 모듈3

246. :

247. 고유성분

248. 얼굴

249. 구성

250.
– 학습하는

251. 얼굴

252. 정보를

253. 고유벡터와

254. 곱을

255. 통해

256. 계산

257.
– 고유벡터의

258. 수

259. 만큼의

260. 고유성분

261. 얼굴

262. 생성

263.
• 모듈4

264. :

265. 얼굴공간으로의

266. 프로젝션

267.
– 입력되는

268. 얼굴이미지를

269. 고유성분얼굴로

270. 구성된

271. 얼굴공간으로

272.
프로젝션

273.
Eigen value eigen
Covariance covar. value

274.
Computation Eigenface C
Matrix matrix

275. (Jacobi met eigen omputation

276.
Computation

277.
hod)

278. vector

279.
eigenfaces

280.
training images

281.
Projecting to S
weights

282. ubspace

283.
Face DB

284.
Training

286. PCA

287. 얼굴인식(식별)

288. 알고리즘

289.
식별할 식별

291. 이미 결과

292.
지

293.
A
A’
Testing

294.
Face DB

295.
B
B’
Projecting to S Finding the Ne
testing images

296.
ubspace

297. arest

298. C
C
’
D
E’
• 오분류를

299. 줄이기

300. 위해서는

301. 더

302. 많은

303. 얼굴이미지를

304. 학습

305.


306. 많은

307. 시간이

308. 소요

309. 

310. 가속의

311. 필요성

313. 모듈1

314. :

315. 공분산

316. 행렬계산

317.
• 입력

318. :

319. 얼굴이미지

320.
• 출력

321. :

322. 얼굴이미지들간의

323. 공분산(

327. N 2
)

328.
• 수식

329.
– Ф

330. =

331. Γ

332. ­–

333. Ψ

334. (이미지와

335. 평균

336. 이미지의

337. 차이)

338.
– C

339. =

340. 공분산

341. 행렬

342. (N

343. x

344. N)

345.
1
C ij = (Γi − Ψ) ⋅ (Γj − Ψ)T
P
• 복잡도

346. :

348. O(

350. N

352. 2P

359. )
-

360. N

361. =

362. 얼굴이미지

363. 수,

364. P

365. =

366. 이미지

367. 픽셀수

369. 모듈2

370. :

371. Jacobi

372. method

373.
• 입력

374. :

375. 얼굴이미지들간의

376. 공분산

377. 행렬

378.
• 출력

379. :

380. 고유벡터(

382. M

385. )
– M

386. =

387. 고유벡터의

388. 수

390.
• 계산

391.
– Jacobi

392. eigenvalue

393. method

394.
• 복잡도

395. :

396. O(

397. N

399. 3

402. )

403. 모듈3

404. :

405. 고유성분

406. 얼굴

407. 구성

408.
• 입력

409. :

410. 얼굴이미지,

411. 고유벡터

412.
MP
• 출력

413. :

414. 고유성분

415. 얼굴(

422. )

423.
• 수식

424.
– u

425. =

426. 고유성분얼굴,

428. v

429. =

430. 고유벡터

432.
– Ψ

433. =

434. 평균얼굴

435. 이미지,

437. Γ

438. =

439. 얼굴

440. 이미지

441.
– N

442. =

443. 학습하는

444. 얼굴이미지의

445. 수

446.
N
um = ∑v mk (Γk − Ψ)
k =1
• 복잡도

447. :

448. O

449. (

450. NMP

457. )

458. 모듈4

459. :

460. 얼굴공간으로의

461. 프로젝션

462.
• 입력

463. :

464. 얼굴이미지,

465. 고유성분

466. 얼굴

467.
• 출력

468. :

469. 얼굴공간에서

470. 사용되는

471. 가중치(

476. NM

477. )

478.
• 수식

479.
– u

480. =

481. 고유성분

482. 얼굴,

483. Γ

484. =

485. 얼굴

486. 이미지,

487. Ψ

488. =

489. 평균얼굴

490. 이미지

493.
w nm = u T ⋅ (Γn − Ψ)
m
• 복잡도

494. :

495. O

496. (

505. )

507.
NMP

508. 목차

509.
• PCA를

510. 이용한

511. 얼굴인식기

512.
– 얼굴인식

513. 개요

514.
– 주요

515. 모듈의

516. 병렬성

517.
• GPU와

518. 병렬프로그래밍

519.
– CUDA

520.
– OpenCL

521.
• GPU

522. 기반

523. 얼굴인식기의

524. 설계

525.
– 매핑

526.
– 동기화

527.
• 실험결과

528. 및

529. 결론

531. GPU

532. 구조

533.
• Graphics

534. Processing

535. Unit

536.
– CPU에

537. 비해

538. 캐쉬의

539. 크기를

540. 줄이고,

541. 다수의

542. 코어를

543. 집적

544.
– 데이터

545. 병렬성에

546. 적합

547.
– Throughput

548. Computing

549.
– 계층적인

550. 병렬

551. 구조

552.
• GPGPU

553. (General

554. Purpose

555. GPU)

556.
– GPU를

557. 프로그래밍을

558. 통해서

559. 범용적으로

560. 사용

561. 가능

562.
– CUDA,

563. OpenCL

564. 등

565. C기반

566. 병렬프로그래밍

567. 프레임워크

568. 사용

570. GPU

571. 구조

572. (GTX480)

573.
SM

574.
(Shared

575. Multipr
ocessor)

576.
GTX

577. 480

578. 구조

580. GPU

581. 구조

582.
SM

583.
SP

585.
(Streaming

586. Processor

587.
=CUDA

588. core)

589.
공유

590. 메모리(shared

591. memory)

592.
SM내에서

593. 수행되는

594. 쓰레드들간의

595.
자료

596. 공유,

597. 동기화

599. CUDA

600.
• Compute

601. Unified

602. Device

603. Architecture

604.
– NVIDIA의

605. GPU를

606. 위한

607. C

608. 기반

609. 병렬

610. 프로그래밍

611. 프레임워크

612.
– 컴파일러,

613. 라이브러리,

614. 디바이스

615. 드라이버

616.
• Kernel

617.
– GPU에서

618. 병렬로

619. 수행되는

620. 함수

621.
Thread

622. block

623.
//serial code (host)‫‏‬
//parallel code in kernel (device)‫‏‬
KernelA nBlk, nThr (args); ...
//serial code (host)‫‏‬ Threads

624.
//parallel code = kernel (device)‫‏‬
KernelB nBlk, nThr (args); ...

625. OpenCL

627.
• Open

628. Compute

629. Language

630.
– 다양한

631. 종류의

632. 멀티코어/매니코어

633. 디바이스를

634. 위한

635. C

636. 기반

637. 병렬

638. 프
로그래밍

639. 프레임워크

640.
– 이종

641. (heterogeneous)

642. 시스템의

643. 병렬프로그래밍을

644. 위한

645. 표준

646.
SP

647.
SM

648. GPU

650. 목차

651.
• PCA를

652. 이용한

653. 얼굴인식기

654.
– 얼굴인식

655. 개요

656.
– 주요

657. 모듈의

658. 병렬성

659.
• GPU와

660. 병렬프로그래밍

661.
– CUDA

662.
– OpenCL

663.
• GPU

664. 기반

665. 얼굴인식기의

666. 설계

667.
– 매핑

668.
– 동기화

669.
• 실험결과

670. 및

671. 결론

673. 매핑(Mapping)

674.
• Thread

675. block

676. =

677. 연산을

678. SM으로

679. 수행

680.
• Thread

681. =

682. 연산을

683. SP로

684. 수행

685.
• 기본적으로

686. 하나의

687. 쓰레드

688. 블록에서

689. 다수의

690. 쓰레드가

691. 수행되
어야

692. 가속이

693. 이루어질

694. 수

695. 있음

696.
• 극단적으로

697. 두가지

698. 매핑이

699. 존재함

700.
– 매핑

701. 1

702. :

703. 하나의

704. 쓰레드에

705. 하나의

706. 픽셀

707. 작업

708. 할당

709.
– 매핑

710. 2

711. :

712. 하나의

713. 쓰레드에

714. 하나의

715. 얼굴이미지

716. 작업

717. 할당

719. 매핑(Mapping)

720.
• 동기화

722.
– 쓰레드들의

723. 연산결과를

724. 하나로

725. 모아야

726. 하는

727. 경우에

728. 필요

729.
– 예)

730. 합

731. 리덕션

732. (sum

733. reduction)

734.
– 매핑

735. 방법에

736. 따라

737. 동기화가

738. 필요할

739. 수

740. 있음

741.
• 합

742. 리덕션의

743. 구현

744. 예

745.
step

746. 1

747. + + + +
step

748. 2

749. + +
step

750. 3

751. +

752. 매핑(Mapping)

753.
• 매핑

754. 1

755. 일반적으로

756. 이미지의

757. 수가

758. 적고

759. 픽셀의

760. 크기가

761. 클

762. 때

763.
1

764. 픽셀

765.
픽셀단위

766. 연산

767.
장점:

768. 병렬성이

769. 높다

770.
단점:

771. 쓰레드간

772. 동기화

773. 필요

775. 매핑(Mapping)

776.
• 매핑

777. 2

778. 일반적으로

779. 이미지의

780. 수가

781. 많고

782. 픽셀의

783. 크기가

784. 작을

785. 때

786. 적용

787.
이미지

788. 단위

789. 작업

790.
장점

791. :

792. 동기화가

793. 필요없음

794.
단점

795. :

796. 픽셀

797. 단위

798. 병렬성

799. 없음

801. 매핑(Mapping)

802.
• 일반적 매핑
하나의

803. 쓰레드가

804. k개

805. 만큼의

806. 픽셀들을

807. 담당

808. (1=

809. k

810. =

811. P)

815. 공분산

816. 행렬계산

817. -

818. 모듈1

819.
• 쓰레드

820. 블록

821.
N2
– 얼굴이미지

822. 한

823. 쌍

824. 

825. 총

829. 개의

830. 쓰레드

831. 블록

832. 필요

833.
• 쓰레드

834.
– 한

835. 얼굴이미지

836. 중

837. 일정

838. 개수의

839. 픽셀들

840.
– 내적

841. (dot

842. product)를

843. 계산

844.
서브

845. 공분산1

846.
서브

847. 공분산2

850. 서브

851. 공분산3

852.
서브

853. 공분산4

854.
내적

855. 계산

856. 서브

857. 공분산5

858. 합

859. 리덕션

860. 공분산

861.
서브

862. 공분산6

863.
서브

864. 공분산7

865.
서브

866. 공분산8

867.
서브

868. 공분산9

869.
서브

870. 공분산10

871.
하나의

872. 쓰레드

873. 블록에서

874. 이루어지는

875. 연산

877. 고유성분

878. 얼굴

879. 구성

880. ­–

881. 모듈3

882.
• 쓰레드

883. 블록

884.
– 고유얼굴

885. 

886. 총

887. 고유벡터의

888. 수만큼

889. 쓰레드

890. 블록

891. 필요

892.
• 쓰레드

893.
– 한

894. 얼굴이미지

895. 중

896. 일정

897. 개수의

898. 픽셀들

899.
• 동기화

900.
– N장의

901. 입력

902. 얼굴이미지들에

903. 대한

904. 계산

905. 결과를

906. 누적하여

907. 고유
얼굴을

908. 계산

909. 순차적으로

911.
누적

912.
하나의

913. 쓰레드

914. 블록에서