DOI: https://doi.org/10.26089/NumMet.v21r217

Возможности многоядерных процессоров MALT в задачах обработки изображений

Авторы

  • Н.Г. Михеев
  • В.А. Антонюк
  • С.Г. Елизаров
  • Г.А. Лукьянченко

Ключевые слова:

многоядерный процессор
параллельные вычисления
обработка изображений
оператор Собеля
производительность
энергоэффективность
MALT
CUDA

Аннотация

В статье рассматриваются результаты экспериментальной оценки производительности и энерго-эффективности многоядерных процессоров MALT в задачах обработки изображений на примере фильтрации изображения с помощью оператора Собеля. Измерения осуществлялись с использованием низкоуровневого эмулятора MALTemu, прототипа процессора в ПЛИС и экспериментальной СБИС модели MALT–Cv2 Rev1. Полученные результаты сравниваются с аналогичными результатами для процессоров общего назначения (последовательная реализация) и графических процессоров с поддержкой технологии CUDA.
Новые вычислительные технологии

Загрузки

Опубликован

2020-07-04

Выпуск

Том 21 (2020): Выпуск 2.

Раздел

Раздел 1. Вычислительные методы и приложения

Авторы

Н.Г. Михеев

Московский государственный университет имени М.В. Ломоносова,
физический факультет
Ленинские горы, 119992, Москва
• аспирант

В.А. Антонюк

Московский государственный университет имени М.В. Ломоносова,
физический факультет
Ленинские горы, 119992, Москва
• доцент

С.Г. Елизаров

Московский государственный университет имени М.В. Ломоносова,
физический факультет
Ленинские горы, 119992, Москва
• старший научный сотрудник

Г.А. Лукьянченко

Московский государственный университет имени М.В. Ломоносова,
физический факультет
Ленинские горы, 119992, Москва
• научный сотрудник

Библиографические ссылки

  1. R. Fan, J. Jiao, H. Ye, et al., Key Ingredients of Self-Driving Cars , ArXiv preprint: 1906.02939 [cs.RO] (Cornell Univ. Library, Ithaca, 2019).
    https://arxiv.org/abs/1906.02939.
  2. C. Kanellakis and G. , Nikolakopoulos, “Survey on Computer Vision for UAVs: Current Developments and Trends,” J. Intell. Robot. Syst. 87, 141-168 (2017).
  3. P. Bučka, M. Szabová, M. Dekan, et al., “Image Processing of Motion for Security Applications,” Europ. Sci. J. 13 (27), 44-58 (2017).
  4. B. R. Payne, S. O. Belkasim, G. S. Owen, et al., “Accelerated 2D Image Processing on GPUs,” in Lecture Notes in Computer Science (Springer, Berlin, 2005), Vol. 3515, pp. 256-264.
  5. H. R. Zohouri, High Performance Computing with FPGAs and OpenCL , ArXiv preprint: 1810.09773 [cs.DC] (Cornell Univ. Library, Ithaca, 2018).
    https://arxiv.org/abs/1810.09773
  6. N. P. Jouppi, C. Young, N. , Patil, et al., In-Datacenter Performance Analysis of a Tensor Processing Unit , ArXiv preprint: 1704.04760 [cs.AR] (Cornell Univ. Library, Ithaca, 2017).
    https://arxiv.org/abs/1704.04760
  7. M. Valle, G. Nateri, D. D. Caviglia, et al., “An ASIC Design for Real-Time Image Processing in Industrial Applications,” in Proc. Europ. Design Test Conf., Paris, France, March 6-9, 1995 (IEEE Press, New York, 1995), pp. 385-390).
  8. S. G. Elizarov, G. A. Lukyanchenko, D. S. Markov, et al., “Programmable in High-Level Languages Energy-Efficient Specialized VLSI for Solving Information Security Problems,” Sistemy Visokoi Dostupnosti 14 (3), 40-48 (2018).
  9. L. A. Pirogova, V. I. Grekul, and B. E. , Poklonov, “Estimated Aggregate Cost of Ownership of a Data Processing Center,” Biznes Inform., No. 2, 32-40 (2016).
  10. P. Handa, M. Kalra, and R. Sachdeva, “A Survey on Green Computing Using GPU in Image Processing,” Int. J. Comp. Tech. 14 (10), 6135-6141 (2015).
  11. O. Yanovskaya, M. Yanovsky, and V. Kharchenko, “The Concept of Green Cloud Infrastructure Based on Distributed Computing and Hardware Accelerator within FPGA as a Service,” in Proc. IEEE East-West Design Test Symp., Kiev, Ukraine, September 26-29, 2014 (IEEE Press, New York, 2014), pp. 1-4).
  12. Y. LeCun, P. Haffner, L. Bottou, and Y. Bengio, “Object Recognition with Gradient-Based Learning,” in Shape, Contour and Grouping in Computer Vision (Springer, Berlin, 1999), Vol. 1681, pp. 319-345.
  13. I. Sobel, An Isotropic 3×3 Image Gradient Operator , Presentation at Stanford A.I. Project (1968).
    https://en.wikipedia.org/wiki/Sobel_operator
  14. J. Canny, “A Computational Approach to Edge Detection,” IEEE Transact. Pattern Analysis Mach. Intell. 8 (6), 679-698 (1986).
  15. D. Baumgartner, P. Roessler, W. Kubinger, et al., “Benchmarks of Low-Level Vision Algorithms for DSP, FPGA, and Mobile PC Processors,” in Embedded Computer Vision. Advances in Pattern Recognition (Springer, London, 2009), pp. 101-120.
  16. Geekbench 5 Compute Workloads (Primate Labs, Toronto, 2019).
    https://www.geekbench.com/doc/
    geekbench5-compute-workloads.pdf
  17. MicroBlaze Processor Reference Guide (Xilinx, San Jose, 2008).
    https://www.xilinx.com/support/
    documentation/sw_manuals/mb_ref_guide.pdf
  18. MALT SW Programmer’s Guide (Lomonosov State University, Moscow, 2019).
    https://maltsystem.ru/
    images/pdf/malt_sdk02.pdf