دانلود مقاله ترجمه شده قطعه بندی موازی تصویر با Reduction-Sweeps بر پردازنده مولتی کور – IEEE 2013

مشخصات مقاله انگلیسی (PDF)
سال انتشار	۲۰۱۳
تعداد صفحات مقاله انگلیسی	۸صفحه با فرمت pdf
رشته های مرتبط با این مقاله	مهندسی کامپیوتر
گرایش های مرتبط با این مقاله	مهندسی نرم افزار، معماری سیستم های کامپیوتری و برنامه نویسی کامپیوتر
مجله	بیست و ششمین کنفرانس گرافیک، الگو و تصاویر
دانشگاه	موسسه کامپیوتر، دانشگاه فدرال فلوماینس، برزیل
کلمات کلیدی	تقسیم بندی تصویر، بینایی کامپیوتری، برنامه نویسی GPU، برنامه ریزی موازی
شناسه شاپا یا ISSN	ISSN ۱۵۳۰-۱۸۳۴
رفرنس	دارد
لینک مقاله در سایت مرجع	لینک این مقاله در سایت IEEE
نشریه آی تریپل ای

• فهرست مطالب:

چکیده

۱-مقدمه

۲-کار مرتبط

۳- الگوریتم

الف-مجموعه نامرتب

ب- معیار ادغام

پ- ترتیب Sweep

د- Post-process

۴ -پیاده سازی

۵- نتایج

۶- نتیجه گیری

• بخشی از ترجمه:

۶- نتیجه گیری

در این کار، ما الگوریتم Sweep Reduction یک روش جدید تقسیم بندی موازی مبتنی بر گراف را ارائه دادیم. ما چهار پیاده سازی الگوریتم را توضیح دادیم و آن را با هر یک از الگوریتم های کلاسیک مرتبط [۷] [۸] از نظر شرایط زمان اجرا و کیفیت تصویر مقایسه نمودیم. ما همچنین اهمیت سرعت های بالا (و در بعضی موارد، کاهش سرعت) را به دست آوردیم. ما کشف کردیم که دستاورد واقعی موازی سازی کمتر از حد انتظار بود. این نشان می دهد که، با وجود استقلال در میان معتبرسازیهای لبه ها ، مراحل غیرقابل بهینه سازی یا متوالی روند تقسیم بندی ، ضرورت همگام سازی threadها در هر تکرار، و ماهیت تصادفی دسترسی به حافظه در هنگام پیکسل های نماینده، تاثیر قابل توجهی، به خصوص بر روی GPU دارند. چندین احتمال برای کار آینده وجود دارد. یکی تغییر پیاده سازی ترکیبی برای حفظ داده ها در حافظه CPU ، از بین بردن تخصیص حافظه و سربارهای کپی است. احتمال دیگر ایجاد ترتیبهای sweep جدید hsj که مش بهتری با معماری GPU دارد یا معیار ادغام جدید که مبتنی بر رنگ نیستند. در نهایت، گسترش این تقسیم بندی از تصاویر دو بعدی به حجم سه بعدی امکان پذیر خواهد بود.

• بخشی از مقاله انگلیسی:

VI. CONCLUSIONS

In this work, we presented the Reduction Sweep algorithm, a novel graph-based parallel segmentation method. We described four implementations of the algorithm, and how each compares to closely related classic algorithms [7] [8] in terms of execution time and visual quality. We also explained the significance of the speed-ups (and in some cases, slow-downs) achieved. We discovered that the actual gain from parallelism was lower than expected. This shows that, despite the independence among edge verifications, the un-optimized or sequential steps of the segmentation process, the necessity of synchronizing threads at each iteration, and the random nature of memory accesses when finding representative pixels, had a significant impact, especially on the GPU. There are several possibilities for future work. One would be to modify the Hybrid implementation to keep the data in the CPU’s memory (zero-copy), eliminating the memory allocation and copy overheads. Another possibility would be to devise new sweep orders that mesh better with the GPU architecture, or new merge criteria that aren’t based on color. Lastly, expanding this segmentation from 2D images to 3D volumes would be another possibility.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله با فرمت ورد