Imagerie et vision par ordinateur

* Accélération théorique par rapport à un système basé sur un CPU quad-core x64. Données calculées en interne par NVIDIA ou fournies par l’éditeur de l’application.

• Segmentation
• "CUDA Cuts : accélération de l’outil Graph Cuts grâce au GPU"
• Traitement graphique
• Algorithme performant de détection et appariement de descripteurs invariants via les GPU
• Traçage KLT à gain adaptatif via les GPU
• Imagerie stéréo
• Profondeur stéréo avec les architectures unifiées de GPU
• Apprentissage automatique et traitement de données
• Apprentissage automatisé à grande échelle avec les processeurs graphiques
• Optimisation de l’efficacité de l’algorithme Belief Propagation
• Algorithme de recherche rapide des k plus proches voisins avec les GPU
• Vision par ordinateur d’inspiration biologique

Noyaux logiciels fondamentaux pour l’imagerie et la vision avec les GPU CUDA

• Segmentation par niveaux avec CUDA
• Segmentation vidéo avec CUDA
• Exécution SVM multi classes avec CUDA
• Détection des piétons
• Algorithme SIFT (Scale Invariant Feature Transform)
• Implantation de Marten Bjorkman
• SiftGPU
• Flux optique
• Flowlib : flux optique dense
• Flux optique de Baysian
• Bibliothèques et collections
• GPU4Vision
• OpenVIDIA : algorithmes populaires de vision par ordinateur avec CUDA, dont :
• Stereo Vision
• Convolutions, Sobel, RMS, Histograms, Threshold, etc.
• MinGPU : bibliothèque GPU minimum pour la vision par ordinateur
• NVPP: NVIDIA Performance Primitives (version provisoire : traitement d’images et de vidéos)

• Accélération GPU pour MATLAB et Mathematica
• Imagerie médicale via les GPU compatibles avec CUDA

• Autres solutions verticales Tesla
• Outils et bibliothèques de développement logiciel CUDA