MétaCan
Menu
Retour à la cohorte
Enregistrement W2148315799 · doi:10.1109/iwsoc.2004.42

Integrated hardware-software platform for image processing applications

2004· article· en· W2148315799 sur OpenAlexaff
Tamer Mohamed, Wael Badawy

Notice bibliographique

RevueIEEE International Workshop on System-on-Chip for Real-Time Applications · 2004
Typearticle
Langueen
DomaineComputer Science
ThématiqueDigital Filter Design and Implementation
Établissements canadiensUniversity of Calgary
Organismes subventionnairesnon disponible
Mots-clésComputer hardwareComputer scienceSoftwareEmbedded systemField-programmable gate arrayHost (biology)Block (permutation group theory)Image processingEncoderHardware accelerationDiscrete cosine transformImage (mathematics)Operating systemArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

This paper illustrates the design and implementation of an integrated hardware-software platform for image processing. This platform is versatile as it is configurable at run time, has low power consumption and requires minimal processing power from the host. Thus, the illustrated solution makes complex multimedia processing tasks feasible on handheld devices with low processing power and limited battery life. The concept is illustrated by a prototype system for image compression. The hardware part is an FPGA board that can be plugged into a standard PCMCIA socket on any portable system. The FPGA is configured at run time to perform block discrete cosine transforms (DCT). The software part running on the host computer is responsible for configuring the device at run time and sending chunks of input data and getting back the computed results. The design was tested successfully and performs 8*8 block DCT in 64 clock cycles running at 60MHz. An alternative hardware-efficient design using distributed arithmetic was also considered. The complete hardware/software prototype was integrated as a part of MPEG-4 encoder software.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,015
Score d'incertitude au seuil0,050

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0150,007

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,040
Tête enseignante GPT0,321
Écart entre enseignants0,281 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations14
Publié2004
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE International Workshop on System-on-Chip for Real-Time ApplicationsMême sujetDigital Filter Design and ImplementationTravaux en français237 207