摘要
为了克服传统的矢量量化方法存在的信息损失量大及二次规划(Quadratic pragramming,QP)量化方法计算复杂度大等缺点,提出了一种新的量化方法——最大熵量化。这种量化方法一方面能将量化权值的熵最大化,从而确保在没有先验知识的情况下不会造成太多量化误差;另一方面则考虑了矢量集合在时间空间上的分布关系。本文在TMS320DM642处理器上实现了这种算法,并进行了一系列的算法和程序层的优化。在基于图像的目标识别应用中的实验证明,最大熵矢量量化算法及其在TMS320DM642上的实现,不仅能提高识别的性能,而且能满足实时性的要求。
To overcome the shortages of traditional vector quantization(VQ) and quadratic pro- gramming (QP) VQ algorithm, a new quantitative method i.e. the maximum entropy quantiza- tion is proposed. The quantization approach can maximize the entropy of the quantification weights, thus avoiding too much quantization error when a priori knowledge is absent. And it considers the space-time distribution of vector collection. The TMS320DM642 processors are used to implement the algorithm with a series of optimization on algorithm and program levels. Experiments on object recognition prove that the maximum entropy vector quantization algo- rithms with acceleration on TMS320DM642 processor can improve the recognition performance and meets the real-time requirements.
出处
《数据采集与处理》
CSCD
北大核心
2012年第6期639-645,共7页
Journal of Data Acquisition and Processing
基金
上海市智能信息处理重点实验室开放课题(IIPL-2011-003)资助项目
南京大学计算机软件新技术国家重点实验室开放课题(KFKT2012B17)资助项目
高性能计算与随机信息处理教育部重点实验室开放课题(HS201107)资助项目
关键词
矢量量化
最大熵
QP量化
0-1量化
目标函数
vector quantization
maximum entropy
quadratic programming(QP)quantization
0-1 quantization
object function