دانلود ترجمه مقاله چارچوب سودمندی در محاسبات پردازش تصاویر با حجم بزرگ – مجله الزویر

گروه آموزشی ترجمه فا اقدام به ارائه ترجمه مقاله با موضوع ” چارچوب سودمندی در محاسبات پردازش تصاویر با حجم بزرگ ” در قالب فایل ورد نموده است که شما عزیزان میتوانید پس از دانلود رایگان مقاله انگلیسی و نیز مطالعه نمونه ترجمه و سایر مشخصات، ترجمه را خریداری نمایید.

• فهرست مطالب:

چکیده

۱- مقدمه

۲- تولید موزاییک: MapReduce و Scalding

۲٫۱ روش MapReduce

۲-۲ روش Scalding

۳- نتایج آزمایشگاهی

۴٫ نتایج

• بخشی از ترجمه:

۴- نتایج
این مقاله کاربردی از یک چارچوب بهره وری Hadoop برای حل یک مسئله ی پردازش تصویر با حجم داده بالا به منظور تولید تصویر موزاییکی، را ارائه کرد. می توان گفت تولید مفهوم خط لوله تولید موزاییک نسبتا ساده است، منافع آن از عملیات سطح بالای فراهم شده توسط چارچوب Scalding (به عنوان مثال groupBy یا join) منشا گرفته و می توان با بکارگیری روش مشابه خطوط لوله ی پیچیده تر را به شکلی که باعث افزایش بهره وری گردد، تولید کرد.
بیشتر تمرکز پژوهش ارائه شده در این مقاله، معطوف به نشان دادن کاربرد چارچوب های بهره وری در زمینه ی ساخت خطوط لوله پردازش تصویر بود. موضوع دیگری که در درجه دوم اهمیت قرار داشت، بررسی عملکرد واقعی حاصل از اجرای مدل ها بود. در کارهای آتی بیشتر تمرکز را به جنبه های مختلف اجرای مدل که شامل موارد زیر می شوند معطوف می کنیم: بهینه سازی کدها، پیکربندی و تنظیم خوشه، ادغام و یکپارچه سازی پردازش عکس با عملکرد بالا (مثلا CV باز( و اجرا روی یک خوشه ی Hadoop با پشتیبانی GPU.

• بخشی از مقاله انگلیسی:

۴ Conclusions

This paper presents an application of a Hadoop productivity framework Scalding for solving a big data image processing problem of creating photographic mosaic. The high-level flow paradigm insulates the developer from the Hadoop MapReduce model and allows for a natural expression of the solution pipeline with minimal plumbing code. Even though the mosaic creation pipeline is relatively simple, it benefits from the high level operation provided by Scalding (e.g., groupBy or join) and more complex pipelines can be productively built using the same approach.

The focus of the work presented in this paper was to demonstrate applicability of productivity frameworks for building image processing pipelines and as such the actual performance of the implementation was a secondary concern. Further work will concentrate on the execution aspects including: code optimization, cluster tuning, integration with high performance image processing libraries (e.g., OpenCV) and execution on a Hadoop cluster with GPU support.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله