Seminar-Architecture

High performance GPU based

Master :Dr. Ghaderi

Mohammad Amin Amjadi

Winter 2015

2

مقاله پایهHigh performance GPU based optimized feature matching forcomputer vision applications

Kajal Sharma

2015 Elsevier B.V. All rights reserved

3

مطالب

مقدمه1.

بیان مسئله2.

اهداف کلی3.

پیشینه4.

بیان طرح5.

نتایج6.

نتیجه گیری7.

پیشنهادات8.

CPUنگاه کلی به تاریخچه معماری

PipeL

ine

Super Scalar

Multi ProcessorMulti

Core

محدودیت های ساخت و طراحیسعی در افزایش همروندی و همزمانی

4

مقدمه مسئله اهداف پیشینه روش پیشنهادی نتایج نتیجه گیری پیشنهادات

CPU

GPU

نسبت به پیشرفت بیشتری و صنعت بازی سازی، محدودیت کمتر پردازنده های گرافیکی بدلیلCPU داشته است

پهنای باند باالحافظه با دستورات عام منظورهمجموعه جهت افزایش سرعت برنامه های عام منظوره می باشدپردازنده کمکی قدرتمند دارای یک از استانداردهایIEEE پشتیبانی می نمایددو -دقتی و تک-دقتی اعداد ممیز شناور

تک-دقتیدو-دقتی

5

مقدمه مسئله اهداف پیشینه روش پیشنهادی نتایج نتیجه گیری پیشنهادات

(−1 )𝑏31∗ (1 .𝑏22𝑏21…𝑏0 )  2∗2𝑒−127(−1 )𝑏 63∗ (1 .𝑏51𝑏50…𝑏0 )  2∗2

𝑒− 1023

CPU vs GPU

6

مقدمه مسئله اهداف پیشینه روش پیشنهادی نتایج نتیجه گیری پیشنهادات

جناب برنامه

GPGPUgeneral purpose graphics processing unit

GPU در مقابل CPU:CPUموازی سازی بیشتر نسبت به

CPUسرعت باالتر نسبت به استCPUرشد پردازشی پردازنده های گرافیکی بیشتر از

با توجه به معیار کارایی به قیمت، ارزان تر هستندبا توجه به معیار کارایی به وات، توان مصرفی کمتری دارند

GPGPU: جهت اجرای برنامه های عام منظورهGPUتکنولوژی استفاده از

7

مقدمه مسئله اهداف پیشینه روش پیشنهادی نتایج نتیجه گیری پیشنهادات

تطبیق دو عکس

8

مقدمه مسئله اهداف پیشینه روش پیشنهادی نتایج نتیجه گیری پیشنهادات

تطبیق دو عکس

9

پیدا نمودن نقاط کلیدیتطبیق دو عکس بر اساس نقاط کلیدی

(چرخش، تغییر مقیاس و اندازه، مات شدنامکان تطبیق در شرایط مختلف )پیاده سازی با سرعتی باال

مقدمه مسئله اهداف پیشینه روش پیشنهادی نتایج نتیجه گیری پیشنهادات

1 .Schmid and Mohr

10

استفاده از گوشه یابیبرای حالت چرخش تصویر مناسب است

برای حالت تغییر مقیاس تصویر کارآمد نیست

مقدمه مسئله اهداف پیشینه روش پیشنهادی نتایج نتیجه گیری پیشنهادات

2. Lowe

11

SIFT: scale invariant feature transform: تبدیل ویژگی مقیاس نابستهمناسب برای چرخش و تغییر مقیاس تصویر

زمان پردازش و محاسبه باال

مقدمه مسئله اهداف پیشینه روش پیشنهادی نتایج نتیجه گیری پیشنهادات

3. SOMSelf Organizing Map

12

مقدمه مسئله اهداف پیشینه روش پیشنهادی نتایج نتیجه گیری پیشنهادات

SIFT & SOM

13

ثانیه0.03576 تطبیق در SOM، 28الگوریتم ثانیه0.05773 تطبیق در SIFT، 16الگوریتم

مقدمه مسئله اهداف پیشینه روش پیشنهادی نتایج نتیجه گیری پیشنهادات

الگوریتم هدف

14

جهت تسریعGPU و استفاده از آن بر روی SOMبهینه سازی الگوریتم استفاده از الگوریتم های عصبی )الگوریتم های رقابتی(

مقدمه مسئله اهداف پیشینه پیشنهادی روش نتایج نتیجه گیری پیشنهادات

الگوریتم هدف

o30 پردازندهMultiProcessoro 8هر پردازنده ،Thread را بصورت موازی اجرا

می نمایدoThread :های یک پردازنده synchronouslyo :پردازنده هاasynchronously

15

Element 0Element 1

…Element 7

Stream multiprocessor

Stream Processor

Stream Processor

SIMD

مقدمه مسئله اهداف پیشینه روش پیشنهادی نتایج نتیجه گیری پیشنهادات

الگوریتم

16

مقدمه مسئله اهداف پیشینه روش پیشنهادی نتایج نتیجه گیری پیشنهادات

نتایج

17

مقدمه مسئله اهداف پیشینه روش پیشنهادی نتایج نتیجه گیری پیشنهادات

ارزشیابی

18

مقدمه مسئله اهداف پیشینه روش پیشنهادی نتایج نتیجه گیری پیشنهادات

زمان محاسبات

19

مقدمه مسئله اهداف پیشینه پیشنهادی روش نتایج نتیجه گیری پیشنهادات

نتیجه گیری

20

مقدمه مسئله اهداف پیشینه روش پیشنهادی نتایج نتیجه گیری پیشنهادات

متد جدید برای تطبیق سرعت باالتر: با استفاده از شبکه های عصبی وgpuنتایج نشان داده اند که الگوریتم در شرایط مختلف تصویر عملکرد مناسبی داردکاهش زمان محاسبات

پیشنهادات

21

مقدمه مسئله اهداف پیشینه روش پیشنهادی نتایج نتیجه گیری پیشنهادات

استفاده از الگوریتم های شبکه عصبی سریع تر1.

جهت افزایش سطح همزمانیMultiGPU استفاده از 2.

بردهGPUبا بهبودسازی الگوریتم، محاسبات بیشتری را سمت 3.

به عنوان پردازنده کمکی، و بهینه سازی آن براساس الگوریتمGPU در داخل FPGAاستفاده از 4.

اجرای همزمان چندین الگوریتم 5.

22

Question ?

☻Thanks☻