GPU Based Hardware Acceleration of Iterative Closest Point Algorithm Using DPC++
Notice bibliographique
Résumé
Ever since the Integrated Circuit was used in the Apollo Guidance Computer, which played a vital role in Apollo moon missions, computers have evolved into different forms to meet various requirements. Hardware accelerators are one such evolution in the realm of computing. They represent specialized hardware components designed to execute specific tasks more efficiently than traditional general-purpose processors. Combining the powers of both general-purpose processors and hardware accelerators is a bleeding-edge research area called heterogeneous computing. Advancements in 3D vision technology today demand faster computation on an unprecedented scale. Shape registration is one such operation predominantly carried out by an algorithm called iterative closest point (ICP). It is a computationally intensive algorithm with a lot of inherent parallelism, making it a suitable candidate for hardware acceleration through heterogeneous computing. In this article, we present our implementation of ICP in DPC++, a latest heterogeneous computing C++ compiler. A speedup of 24.66X and 35.59X were achieved by our CPU-GPU implementations, bruteforce-ICP and KD-tree ICP, respectively, compared to the CPU implementation on the Stanford bunny model point cloud - 35k resolution. Additionally, our GPU implementation of KD-Tree ICP is 2.6 times faster than the widely used state of the art ICP implementation by the Point Cloud Library.
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 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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».