本工作详细介绍了3D级不变特征变换（SIFT）算法的高效实现，用于从大组体积的体积图像数据的机器学习的目的。 3D SIFT代码的主要操作在图形处理单元（GPU）上实现，包括从刻度空间金字塔的卷积，子采样和4D峰值检测。使用3D MRI人脑体积的不同人的3D MRI人脑体积来量化性能改进。基于二进制强大的独立基本特征（简要）代码提出了计算有效的3D Keypoint描述符，包括新颖的描述符，我们调用排名强大的独立基本特征（Rrief），并与原始3D Sift-andal方法\ CITEP {Toews2013 effity}相比。 。 GPU实现提供了超出优化CPU实现的大约7倍的加速，其中33秒到0.2秒，用于具有大约3000个关键点的3D尺寸（145,174,145）体素的3D卷到0.2秒。值得注意的加速包括卷积操作（20x），4d峰值检测（3x），子采样（3x）和高斯金字塔结构（2x）。高效的描述符与标准SIFT-RANDS描述符相比，使用2x的加速和6倍的内存节省，以减少的关键点对应关系，在计算效率和算法性能之间揭示折衷。我们实现的加速将允许对较大数据集进行更有效的分析。我们的优化GPU实现了3D Sift-Rank Extractor的HTTPS://github.com/carluerjb/3d_sift_cuda可用。
translated by 谷歌翻译