Traitement des images bidimensionnelles à l'aide des FPGAs
Bibliographic record
Abstract
Les images sont de plus en plus utilisées dans de nombreuses disciplines (télédétection, médecine, etc.) car elles fournissent des informations précieuses sur les scènes ou les objets filmés. En médecine, depuis quelques années, les images sont devenues des éléments indispensables à l'établissement d'un bon diagnostic. \nQuelquefois, il apparaît qu'une image brute ne fournit pas tous les détails nécessaires à une bonne analyse, elle doit être retouchée de diverses manières : c'est le traitement des images. De nombreux algorithmes ont été mis au point pour effectuer des traitements d'images; certains présentent une complexité algorithmique élevée, ce qui fait que le temps de calcul pour traiter une image peut vite devenir exorbitant (cas des filtres, redimensionnement) dans les architectures monoprocesseurs. Afin d'accélérer le travail des radiologues dans l'analyse des images, nous avons recours au calcul parallèle. \nLes FPGAs (Field-Programmable Gate Arrays) sont des circuits électroniques parallèles qui permettent aujourd'hui de développer des applications de plus en plus performantes en vitesse d'exécution et gourmandes en ressources matérielles. Dans le cadre de notre travail de recherche, nous mettons en ?uvre, sur FPGA, quelques algorithmes de traitement d'images et nous étudions la faisabilité des traitements en temps réel (idéalement, 20 traitements par seconde ou 1 image toutes les 50 ms). \nLe langage de programmation que nous utilisons dans notre étude est psC. Nos travaux permettent de tester la puissance de ce langage dans le déploiement d'applications sur FPGA et ils contribuent à son amélioration. \n
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.009 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".