Arquitecturas Neuronales Para Reconocimiento de Imagenes Sobre Gpu : Implementaciones en OpenGL/Cg y CUDA

En esta Tesis Doctoral se describen arquitecturas neuronales que permiten la segmentación perceptual y el reconocimiento de imágenes de textura y color sobre Unidades de Procesamiento Gráfico (GPUs). El procesamiento de propósito general sobre GPU (GPGPU) se ha revelado en los últimos años como uno de las fórmulas más atractivas para el procesamiento en paralelo de altas prestaciones y bajo coste. Todas las arquitecturas neuronales desarrolladas en esta Tesis Doctoral utilizan la GPU como plataforma hardware, proporcionando una velocidad de procesamiento decenas de veces superior a la obtenida con implementaciones análogas sobre CPU. La utilización de este hardware para la segmentación y el reconocimiento, etapas fundamentales en visión artificial, hace adecuadas las arquitecturas diseñadas para aplicaciones con elevados requerimientos de tiempo. Estas aplicaciones de visión artificial incluyen la monitorización de procesos de producción industrial, la clasificación y búsqueda de contenidos sobre bases de datos multimedia, el análisis y segmentación de imágenes aéreas de alta resolución o sistemas de vídeo-vigilancia e interfaces hombre-máquina.