Resumen

Exploramos cómo aprovechar el rendimiento de la detección de puntos característicos faciales en terminales móviles desde 3 aspectos. Primero, optimizamos los modelos utilizados en los algoritmos SDM a través de PCA y Clustering de Espectro. Segundo, proponemos un criterio de evaluación utilizando Análisis Discriminante Lineal para elegir las mejores descripciones de características locales, las cuales desempeñan un papel crítico en la detección de puntos característicos. Tercero, aprovechamos la arquitectura multinúcleo del terminal móvil y paralelizamos el algoritmo SDM optimizado para mejorar aún más la eficiencia. Las observaciones del experimento muestran que nuestro GPC-SDM final logrado (Método de Descenso Supervisado mejorado utilizando clustering de espectro, PCA y aceleración de GPU) reduce el uso de memoria, lo cual es beneficioso y eficiente para cumplir con los requisitos de tiempo real.

• Materias:Internet de las cosas Dispositivos móviles Ransomware Ingeniería de Telecomunicación Servidores en la nube
• Subjects:Internet of things Mobile devices Ransomware Telecommunication engineering Cloud Servers
• Palabras claves:Aprovechamiento; Rendimiento; Detección de puntos característicos de la cara; Terminales móviles; Algoritmos SDM; PCA
• Keywords:Leverage; Performance; Face feature points detection; Mobile terminals; SDM algorithms; PCA