[发明专利]用于在图形处理单元（GPU）上实现最近邻搜索的方法和装置

说明书

描述了用于在图形处理单元上实现最近邻搜索的装置和方法。例如，装置的一个实施例包括：主机处理器；以及图形处理器单元（GPU），用以响应于来自主机处理器的信号而执行最近邻（NN）树构建操作和NN树搜索操作；NN树构建操作包括划分数据点的第一集合以定义每个树节点以形成多个桶，每个桶包括数据点的第一集合中的至少一个，桶的数目将基于阈值而被限制，从而导致具有多个数据点的至少一些桶；以及NN树搜索操作包括通过比较输入数据点的第二集合中的每一个与树中的数据点以标识桶并且然后比较第二数据点之一与桶中的数据点以标识桶中的最近邻数据点来遍历树。

技术领域

本发明一般涉及计算机处理器的领域。更具体地，本发明涉及用于在图形处理单元（GPU）上实现最近邻搜索的方法和装置。

背景技术

最近邻（NN）搜索属于基于输入与所存储的样本的相似度的分类方法的一族。NN搜索是非参数的分类器，其将分类决策基于数据并且不需要分类器参数训练的步骤。最常见的非参数方法基于NN距离估计。

NN搜索对于计算机科学的若干领域（包括模式识别、数据挖掘、多媒体数据中的搜索和计算统计）有显著重要性，并且尤其是对于增强现实和感知计算的领域有显著重要性。许多计算机视觉任务解决高维空间（多于8）中的NN搜索问题，其中它是最处理器密集、耗时的组件。对于高维空间，不存在任何已知的比简单线性搜索更加高效的确切NN算法，所述简单线性搜索计算从查询点到集合中每个点的距离并且标识具有最小距离的点。由于线性搜索对于许多应用而言都是过于成本高的，这已经产生了对于执行近似最近邻（ANN）搜索的算法的兴趣。

ANN搜索算法以返回确切最近邻结果为代价而按数量级改进搜索速度，而仍提供接近最优的准确性。最近的研究证明了基于多重随机化K-D树的ANN在许多多维数据集上提供最佳性能。参见例如Marius Muja和David G.Lowe的Fast Approximate NearestNeighbors with Automatic Algorithm Configuration (2009)。

KD树是由Jon Bentley于1975年发明的（传统KD树）、于1998年通过将随机项添加到树构建过程而被修改（随机化的KD树）的数据结构，并且它和它的变型仍然是用于在多维空间中搜索的最流行的数据结构。它在低维度中是高效的，但是在高维空间中，其性能迅速降级。

附图说明

从结合以下附图的以下详细描述中可以获得对本发明的更好的理解，在附图中：

图1是具有处理器的计算机系统的实施例的框图，所述处理器具有一个或多个处理器核以及图形处理器；

图2是处理器的一个实施例的框图，所述处理器具有一个或多个处理器核、集成存储器控制器和集成图形处理器；

图3是图形处理器的一个实施例的框图，所述图形处理器可以是离散图形处理单元，或者可以是与多个处理核集成的图形处理器；

图4是用于图形处理器的图形处理引擎的实施例的框图；

图5是图形处理器的另一实施例的框图；

图6是包括处理元件的阵列的线程执行逻辑的框图；

图7图示了根据实施例的图形处理器执行单元指令格式；

图8是图形处理器的另一实施例的框图，所述图形处理器包括图形流水线（pipeline）、媒体流水线、显示引擎、线程执行逻辑和渲染输出流水线；

图9A是图示了根据实施例的图形处理器命令格式的框图；

图9B是图示了根据实施例的图形处理器命令序列的框图；

图10图示了根据实施例的用于数据处理系统的示例性图形软件架构；