کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4945345 1438421 2017 13 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Quick and energy-efficient Bayesian computing of binocular disparity using stochastic digital signals
ترجمه فارسی عنوان
محاسبه بیوزی سریع و انرژی با استفاده از اختلاف دوقطبی با استفاده از سیگنال های دیجیتال تصادفی
ترجمه چکیده
بازسازی هندسه سه بعدی از یک صحنه بصری با استفاده از اطلاعات اختلاف دوقطبی مسئله مهمی در دیدگاه رایانه و روباتیک موبایل است که می تواند به عنوان یک مسئله استنتاج بیزی مطرح شود. با این حال، محاسبه توزیع تناقض کامل با یک مدل پیشرفته بیزی معموال یک مشکل قابل حل است و حتی با یک مدل ساده نیز به چالش کشیدن محاسباتی ثابت می شود. در این مقاله، ما نشان می دهیم که چگونه سخت افزار احتمالاتی با استفاده از حافظه توزیع شده و نمایش متناوب داده ها به عنوان بیت استوایی تصادفی می تواند این مشکل را با کارایی بالا و کارایی انرژی حل کند. ما یک راه برای بیان توزیعهای احتمالی گسسته با استفاده از نمایندگی داده های تصادفی ارائه می دهیم و با استفاده از این بازنمایی، همجوشی بیزی را انجام می دهیم و نشان می دهیم که چگونه این رویکرد را می توان برای محاسبات دوبعدی استفاده کرد. ما سیستم را با استفاده از پیاده سازی تصادفی شبیه سازی ارزیابی می کنیم و در مورد امکان اجرای سخت افزارهای چنین معماری ها و پتانسیل آنها برای پردازش حسگر موتور و رباتیک بحث می کنیم.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
چکیده انگلیسی
Reconstruction of the tridimensional geometry of a visual scene using the binocular disparity information is an important issue in computer vision and mobile robotics, which can be formulated as a Bayesian inference problem. However, computation of the full disparity distribution with an advanced Bayesian model is usually an intractable problem, and proves computationally challenging even with a simple model. In this paper, we show how probabilistic hardware using distributed memory and alternate representation of data as stochastic bitstreams can solve that problem with high performance and energy efficiency. We put forward a way to express discrete probability distributions using stochastic data representations and perform Bayesian fusion using those representations, and show how that approach can be applied to diparity computation. We evaluate the system using a simulated stochastic implementation and discuss possible hardware implementations of such architectures and their potential for sensorimotor processing and robotics.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: International Journal of Approximate Reasoning - Volume 83, April 2017, Pages 400-412
نویسندگان
, , ,