Exploiting Modern Hardware for High-Dimensional Nearest Neighbor Search - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2016

Exploiting Modern Hardware for High-Dimensional Nearest Neighbor Search

Exploitation du matériel moderne pour la recherche de plus proche voisin en haute dimensionnalité

Fabien André

Résumé

Many multimedia information retrieval or machine learning problems require efficient high-dimensional nearest neighbor search techniques. For instance, multimedia objects (images, music or videos) can be represented by high-dimensional feature vectors. Finding two similar multimedia objects then comes down to finding two objects that have similar feature vectors. In the current context of mass use of social networks, large scale multimedia databases or large scale machine learning applications are more and more common, calling for efficient nearest neighbor search approaches. This thesis builds on product quantization, an efficient nearest neighbor search technique that compresses high-dimensional vectors into short codes. This makes it possible to store very large databases entirely in RAM, enabling low response times. We propose several contributions that exploit the capabilities of modern CPUs, especially SIMD and the cache hierarchy, to further decrease response times offered by product quantization.
De nombreux problèmes de recherche d’information multimédia ou d’apprentissage automatique nécessitent des techniques de recherche de plus proche voisin en haute dimensionnalité efficaces. Par exemple, les objets multimédia (images, musique ou vidéos) peuvent être représentés par des vecteurs caractéristiques de haute dimensionnalité. Trouver deux objets multimédia similaires revient alors à trouver deux objets multimédia ayant des vecteurs caractéristiques similaires. Dans le contexte actuel d’utilisation massive des réseaux sociaux, les bases de données multimédia à large échelle ou les applications d’apprentissage automatisé à large échelle sont de plus en plus courantes, exacerbant la nécessité de techniques efficaces de recherche de plus proche voisin. Cette thèse s’appuie sur la quantification produit, une technique de recherche de plus proche voisin efficace qui compresse les vecteurs de haute dimensionnalité en codes compacts. Ceci permet de stocker des bases de données volumineuses entièrement en RAM, permettant alors des temps de réponse bas. Nous proposons plusieurs contributions exploitant les capacités des CPU modernes, notamment le SIMD et la hiérarchie de caches, pour réduire davantage les temps de réponse offerts par la quantification produit.
Fichier principal
Vignette du fichier
fabien-andre-thesis.pdf (1.7 Mo) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)
Loading...

Dates et versions

tel-01658922 , version 1 (08-12-2017)

Identifiants

  • HAL Id : tel-01658922 , version 1

Citer

Fabien André. Exploiting Modern Hardware for High-Dimensional Nearest Neighbor Search. Computer Science [cs]. INSA Rennes, 2016. English. ⟨NNT : ⟩. ⟨tel-01658922⟩
213 Consultations
127 Téléchargements

Partager

Gmail Facebook X LinkedIn More