SYCL-based Acceleration of Canny Edge Detector Algorithm Using DPC++
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Edge detection is a fundamental task in image processing which has proliferated into various fields. This paper presents a SYCL-based Data Parallel C++ (dpc++) implementation and evaluation of Canny Edge Detection (CED) in CPU-GPU and CPU-FPGA heterogeneous computing platforms. The CED accelerator was implemented and evaluated on two state-of-the-art Intel FPGAs, Arria 10 GX-1150 and Stratix 10 SX-2800 and an Intel GPU, UHD P630 with the Intel's CPU, Xeon Gold-6128. Along with a mathematical optimization, design optimizations specific to parallel computing were leveraged for efficiency and speedup. The evaluation of the implementation reports speedups of 11.6X and 11.7X for Arria 10 and Stratix 10 FPGAs respectively with respect to the CPU -only implementation. Also, both FPGAs completed the algorithm more than 4 times faster than the GPU. Furthermore, Arria 10 FPGA is 31 times more energy efficient than the GPU. Also compared to related research, significantly better speedup results were achieved by our im-plementation. With 0.214 milliseconds execution time to detect edges in an image with size 256x256 pixels, the recommended dimension for real-time image processing applications, our CPU-FPGA implementation is best suited for real-time applications
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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