SC²S Colloquium - November 26, 2009

From Sccswiki
Jump to navigation Jump to search
Date: November 26
Room: 02.07.023
Time: 16:30 pm, s.t.

Sebastian Zeller: Laufzeitoptimierung von Bildverarbeitungsalgorithmen für ein remote Eye- und Gazetracking System

Als Ausgangspunkt für die Optimierung der Bildverarbeitung dient der Remote Gazetracker, der am Lehrstuhl für Mensch-Maschine-Kommunikation der Technischen Universität München entwickelt wurde. Der Fokus richtet sich dabei auf geringeren Arbeitsspeicherverbrauch, Optimierung der Latenz und Verringerung der Prozessorauslastung. Um diese Ziele zu erreichen, wurde zum einen die Systemarchitektur angepasst und zum anderen die einzelnen Teilbereiche des Trackings modularisiert und optimiert. Dies beinhaltet die Entwicklung eines neuen Blob-Detektors und die Implementierung eines Kontrast basierten Klassifikators. Die Optimierungen wurden auf verschiedenen Testsystemen analysiert und hinsichtlich weiterer Optimierungsmöglichkeiten überprüft. Der größte Erfolg wurde bei der Reduzierung der Prozessorauslastung und des Arbeitsspeicherbedarfs erreicht.


Benjamin Peherstorfer: Reduced-Basis Verfahren mit Dünngitterapproximationen

Consider the input-output relationships in which the output is evaluated as a functional of a field that is the solution of an input-parametrized partial differential equation (PDE). The Reduced Basis (RB) method can be employed to cope with such input-output relationships in the many-query or real-time context where it exploits two key opportunities: (i) the parameter domain can be approximated/substituted by a typically smooth and rather low-dimensional induced manifold, and (ii) the crucial cost is the asymptotic average cost per input-output evaluation and so we can accept greatly increased pre-processing cost. The integration of these ingredients with a rigorous a posteriori error estimation yields a technique that guarantees the high accuracy of the finite element model at very low Online cost in favor of high Offline (pre-processing) cost.

We consider the possible improvement of the RB method by installing sparse grids at two different stages of the computation process. First, the underlying FE approximation can be built on sparse grids, which reduces the pre-processing cost. Second, we use sparse grids as finite surrogate of the parameter domain. Whereas the former is straightforward, the latter demands more attention to yield better results than the standard methods. We present examples how sparse grids affect the behavior of the reduced basis method in the latter case.