Algorithmes de reconnaissance NCTR et parallélisation sur GPU

Show simple item record

dc.contributor.author Boulay, Thomas -
dc.contributor.author Gac, Nicolas -
dc.contributor.author Mohammad-Djafari, Ali -
dc.contributor.author Lagoutte, Julien -
dc.date.accessioned 2019-08-27T14:10:35Z
dc.date.available 2019-08-27T14:10:35Z
dc.date.issued 2013 -
dc.identifier.citation Boulay, Thomas ; Gac, Nicolas ; Mohammad-Djafari, Ali ; Lagoutte, Julien. Algorithmes de reconnaissance NCTR et parallélisation sur GPU. Traitement du signal, 2013, 30, 6, p. 309-342, https://doi.org/10.3166/ts.30.309-342. -
dc.identifier.issn 0765-0019 -
dc.identifier.uri http://hdl.handle.net/2042/70421
dc.description.abstract Dans cet article, nous nous sommes intéressés aux problèmes de reconnaissance non- coopérative de cibles (NCTR) en tant que problème de classification supervisée. Après une présentation du système d'acquisition des profils distance radar et du problème de reconnaissance, suivie d'une étude statistique des données, nous proposons d'utiliser un algorithme des K plus proches voisins (KPPV) dont les performances sont détaillées en fonction du nombre de voisins K, du type de distance utilisée et de la nature des données utilisées (débruitées ou non). Dans un second temps, cet algorithme a été parallélisé sur un processeur many-cœurs (GPU : Graphics Processing Unit). Les opérations arithmétiques et le modèle d'accès mémoire ont été étudiés pour obtenir la meilleure parallélisation des calculs. Enfin, nous terminons par une discussion autour des perspectives envisageables pour la méthode proposée, notamment en s'intéressant à d'autres espaces de représentation ou à d'autres méthodes de classification. fr
dc.description.abstract In this paper, first, we present the problem of Non Cooperative Target Recognition (NCTR) as a supervised classification problem. After a presentation on the radar acquisition system of range profiles and the problem of recognition, followed by a statistical study of data, we use a classical classification method of K Nearest Neighbors (KNN) to do this classification. We explore and compare the performances of this algorithm based on the choice of the distances, the choice of K and the nature of used data (denoised or not). KNN algorithm has been executed initially on CPU with Matlab and then on GPU. Arithmetic operations and memory access pattern has been studied to get the best parallelization. Finally, we conclude with a discussion about possible perspectives for the proposed method especially by focusing on other representation spaces or other classification methods. en
dc.language.iso fr -
dc.publisher Lavoisier -
dc.relation.ispartofseries Traitement du signal -
dc.rights Accès libre - Licence d'utilisation : http://irevues.inist.fr/utilisation -
dc.source Traitement du signal [Trait. Signal], ISSN 0765-0019, 2013, 30, 6, p. 309-342 -
dc.subject NCTR fr
dc.subject KPPV fr
dc.subject GPU fr
dc.subject HRD fr
dc.subject radar fr
dc.subject classification fr
dc.subject NCTR en
dc.subject KNN en
dc.subject GPU en
dc.subject HRR en
dc.subject radar en
dc.subject classification en
dc.title Algorithmes de reconnaissance NCTR et parallélisation sur GPU fr
dc.type Article -
dc.contributor.affiliation Laboratoire des Signaux et Systèmes (L2S), UMR8506 CNRS-SUPELEC-UNIV PARIS SUD, 3 rue Joliot-Curie, 91192, Gif-sur-Yvette Cedex -
dc.contributor.affiliation Thales Air Systems, voie Pierre Gilles de Gennes, 3 rue Joliot-Curie, 91470, Limours -
dc.identifier.doi https://doi.org/10.3166/ts.30.309-342 -


Files in this item

PDF TraitSignal_2013_30_6_309_Article.pdf 998.9Kb

This item appears in the following Collection(s)

Show simple item record





Advanced Search