利用 GPGPUs 在图像表示的 yConvex 超图算法中挖掘数据并行性
分布式、并行与集群计算
2013-07-10 v1 计算机视觉与模式识别
摘要
为了定义和识别数字图像中的感兴趣区域（ROI），必须根据其边界特征来描述 ROI 的形状描述符。为解决轮廓跟踪的通用问题，Kanna 等人 [1] 提出了 yConvex 超图（yCHG）模型。在这项工作中，我们提出了一种并行方法来实现 yCHG 模型，该方法利用了 NVIDIA 统一计算设备架构（CUDA）的大规模并行核心。我们在 NASA 的 MODIS 卫星图像数据库上进行了实验，基于我们的分析观察到，串行实现在较小图像上表现更好，但一旦图像分辨率达到阈值，并行实现的表现优于其串行对应版本 2 到 10 倍（2x-10x）。我们还得出结论，给定大小的 ROI 中超边数量的增加不会影响整体算法的性能。
引用
@article{arxiv.1307.2560,
title = {Exploiting Data Parallelism in the yConvex Hypergraph Algorithm for Image Representation using GPGPUs},
author = {Saurabh Jha and Tejaswi Agarwal and B. Rajesh Kanna},
journal= {arXiv preprint arXiv:1307.2560},
year = {2013}
}
备注
1 page, 1 figure published in Proceedings of the 27th ACM International Conference on Supercomputing, ICS 2013, Eugene, Oregon, USA