Uma implementação paralela para segmentação de imagens de alta resolução em GPUs
|
|
- Aurélio Álvares de Abreu
- 6 Há anos
- Visualizações:
Transcrição
1 Anais XV Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Curitiba, PR, Brasil, 30 de abril a 05 de maio de 2011, INPE p.7713 Uma implementação paralela para segmentação de imagens de alta resolução em GPUs Patrick Nigri Happ 1 Raul Queiroz Feitosa 1 Cristiana Bentes 2 Ricardo Farias 3 1 Pontifícia Universidade Católica do Rio de Janeiro PUC-Rio Caixa Postal Rio de Janeiro - RJ, Brasil {patrick, raul}@ele.puc-rio.br 2 Universidade do Estado do Rio de Janeiro - UERJ Rua São Francisco Xavier, 524, 5º andar Rio de Janeiro - RJ, Brasil cristianabentes@gmail.com 3 Universidade Federal do Rio de Janeiro - UFRJ Caixa Postal Rio de Janeiro RJ, Brasil rfarias@gmail.com Abstract. Lately, orbital sensors of high spatial resolution are providing an increasing amount of data about the Earth surface. Analysis of these data implies in a high computational load, which has motivated researches on more efficient hardware and software for these applications. In this context, an issue lies in the image segmentation that involves long processing times and is a key step in object based image analysis. The recent advances in modern programmable graphics units or GPUs have opened the possibility of exploiting the parallel processing capabilities of this hardware to improve the segmentation performance. This work presents a parallel version of the multicriterion segmentation method, introduced originally by Baatz & Schäppe (2000), implemented in a GPU. The underlying hardware architecture consists of a massive parallel and manycore processor system designed for a general purpose computation and especially for image processing. The parallel algorithm is based on processing each pixel as a different thread so as to take advantage of the fine-grain parallel capability of the GPU. In addition to the parallel algorithm, the paper also suggests a modification to the heterogeneity computation that improves the segmentation performance. The experiments under the parallel algorithm show significant results, reaching up to 12 of speedup over the sequential algorithm. Palavras-chave: remote sensing, image processing, parallel processing, sensoriamento remoto, processamento de imagens, processamento paralelo. 1. Introdução A segmentação de imagens é considerada como etapa fundamental na análise de imagens baseada em objetos geográficos (GEOBIA) (Lübker e Schaab, 2009; Smith e Morton, 2010). Este tópico tem sido tema de diversas pesquisas envolvendo principalmente sua aplicação, otimização de parâmetros, elaboração de novos algoritmos e avaliação de qualidade. O processo de segmentação de imagens pode envolver um custo de computação elevado (Wassenberg et al., 2009). Este fato torna-se ainda mais evidente ao se considerar o crescente volume de dados decorrente do aumento da resolução e do tamanho das imagens que estão sendo disponibilizadas. Encontrar uma forma de agilizar este método através da computação paralela é uma das possíveis soluções para este problema, como se propõe, por exemplo, em Singh et al. (1999), Lenkiewicz et al. (2009) e Happ et al. (2009). Unidades de processamento gráfico (GPUs) se tornaram uma ferramenta bastante poderosa para resolverem problemas na área de alto desempenho. As GPUs possuem um elevado grau de processamento e têm superado a capacidade de computação das CPUs. Além disso, GPUs já acompanham grande parte dos computadores pessoais disponíveis no mercado. 7713
2 Anais XV Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Curitiba, PR, Brasil, 30 de abril a 05 de maio de 2011, INPE p.7714 O objetivo deste trabalho consiste no desenvolvimento e avaliação de um algoritmo paralelo de segmentação de imagens para ser executado por GPUs. O algoritmo implementado se baseia numa versão de um popular algoritmo de segmentação por crescimento de regiões proposto por Baatz e Schäpe (2000). Algumas alterações são propostas no algoritmo original com a finalidade aproveitar o alto grau de paralelismo disponível na arquitetura da GPU. O restante deste artigo está organizado da seguinte forma. Na próxima seção a arquitetura básica de uma GPU é descrita brevemente. Na seção 3, o algoritmo original é exposto, assim como a versão paralela proposta neste trabalho. Na seção posterior, a avaliação experimental é detalhada e são expostos os resultados obtidos. Por fim, a seção 5 conclui o trabalho e indica possíveis trabalhos futuros. 2. Arquitetura da GPU Uma Unidade de Processamento Gráfico ou GPU pode ser vista como um processador de diversos núcleos cuja capacidade computacional provém de uma arquitetura altamente paralela. O modelo de programação da Nvidia, CUDA, foi criado para o desenvolvimento de aplicações para esta plataforma. CUDA permite que o programador crie funções especiais em C que são executadas em paralelo por threads na GPU. As threads são organizadas em uma hierarquia de grade de blocos de threads. Threads de um mesmo bloco podem se sincronizar e compartilhar memória. Durante a execução, os threads podem acessar dados em diferentes níveis de hierarquia: registradores, memória compartilhada e memória global. A memória global é acessível por todas as threads, mas seu tempo de acesso é em média 500 vezes mais lento que o tempo de acesso à memória compartilhada e aos registradores. A arquitetura de uma GPU é composta de um conjunto de multiprocessadores ou streaming multiprocessors. Cada um destes consiste de um conjunto de cores, chamados de stream processors. O número de multiprocessadores e de cores de uma GPU depende da arquitetura e do modelo da GPU. GPUs modernas podem possuir até 512 cores. A execução das threads em uma GPU não é independente. Estas são executados em grupos chamados de warps. Dentro de um warp todas as threads executam a mesma instrução. Quando uma das threads diverge das demais no processamento, há uma redução no desempenho, porque esta passa a ser tratada de forma isolada e desabilita o restante das threads. 3. Segmentação por Crescimento de Regiões Entre as técnicas mais comuns para a segmentação de imagens destacam-se aquelas baseadas em crescimento de regiões. Neste método, pixels são inicialmente escolhidos e denominados sementes. A partir destes, as regiões crescem através da agregação de outros pixels ou sub-regiões adjacentes quando um determinado critério de homogeneidade é atendido. As sementes podem ser selecionadas de maneira aleatória, determinística ou pelo usuário (Pedrini, 2008). O presente trabalho baseia-se em um algoritmo de crescimento de regiões proposto por Baatz e Schäpe (2000) descrito a seguir. 3.1 Algoritmo Proposto por Baatz & Schäpe Este algoritmo consiste em um método iterativo que visa minimizar a heterogeneidade média dos objetos da imagem. Todos os pixels da imagem são primeiramente considerados como sementes ou segmentos iniciais e a cada passo calcula-se a diferença de heterogeneidade entre cada par de segmentos adjacentes e a homogeneidade do segmento que resultaria da sua fusão. Esta diferença, chamada custo de fusão, deve ser inferior a certo 7714
3 Anais XV Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Curitiba, PR, Brasil, 30 de abril a 05 de maio de 2011, INPE p.7715 limiar, chamado escala, para permitir a agregação destes segmentos. O processo se repete até que não seja possível realizar mais nenhuma fusão. O custo de fusão (f) é definido pela soma ponderada de uma componente relativa à heterogeneidade espectral (h cor ) e outra relativa à heterogeneidade espacial (h forma ). A importância relativa destas componentes é definida por um peso (w cor ). f cor cor ( w cor ) h forma = w h + 1 (1) A heterogeneidade espectral, por sua vez, é dada pela Equação 2, onde Obj 1 refere-se ao segmento selecionado para crescer, Obj 2 a um segmento adjacente e Obj 12 ao segmento resultante da eventual fusão entre estes. Cada banda da imagem, indexada aqui pelo símbolo c, é levada em consideração, sendo multiplicada por um fator w c que expressa a importância relativa de cada uma. A parcela referente a cada segmento na fórmula é baseada no produto de sua área (n) pelo desvio padrão dos valores de seus pixels em cada banda (σ c.) h cor 2 ( n ( n σ n ) = wc 2σ Obj + c 1 c σ c (2) c A heterogeneidade espacial é constituída por duas componentes de forma: uma referente à compacidade (h comp ) e outra relativa à suavidade (h svd ). A medida de compacidade Comp de um segmento é dada pela razão entre o perímetro p e a raiz quadrada da área n. Já a suavidade svd se refere à razão entre o perímetro do segmento e o perímetro do seu retângulo envolvente mínimo pbox (bounding box). Como pode ser visto na Equação 3, existe um peso w comp que define o grau de importância relativa entre compacidade e suavidade. h forma comp comp ( w comp ) h svd = w h + 1 (3) comp p Comp = (4) n p Svd = (5) pbox ( n Comp n Comp ) h = n Comp + (6) svd 2 2 ( n Svd n Svd ) h = n Svd + (7) 2 2 O algoritmo possui, portanto, um critério de heterogeneidade ajustável. Parâmetros como a relevância de cada banda espectral e a importância relativa entre forma e cor e entre compacidade e suavidade podem ser regulados com a finalidade de se alcançar uma melhor segmentação. Além disso, a definição do custo máximo de fusão, denominado parâmetro de escala (s), influencia diretamente no tamanho dos segmentos gerados. 3.2 Versão Paralela A versão paralela do algoritmo de segmentação foi desenvolvida nas linguagens C e CUDA da NVidia. A idéia central consiste em associar o processamento de cada pixel da imagem a uma thread diferente de forma a tirar máximo proveito da alta capacidade de processamento paralelo da GPU. 7715
4 Anais XV Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Curitiba, PR, Brasil, 30 de abril a 05 de maio de 2011, INPE p.7716 O algoritmo paralelo consiste em seis funções principais a serem executadas na GPU: Inicializar Sementes, Calcular Vizinhos, Realizar Fusões, Redefinir Segmentos, Recalcular Bordas e Escrever Resultado. A Figura 1 apresenta estas funções e como interagem no algoritmo. Figura 1. Esquema do algoritmo paralelo de segmentação O algoritmo começa com a função Inicializar Sementes, onde cada pixel é considerado como semente e por conseqüência representa um segmento. Cada um desses pixels é processado de forma paralela e tem seus atributos calculados. A etapa Encontrar Vizinhos é iniciada com um teste que visa restringir o processamento somente aos pixels da borda de algum segmento. Para estes pixels, são calculados os custos de fusão entre o seu segmento e os segmentos adjacentes. O segmento adjacente que implicar no menor custo é considerado como melhor vizinho. Como o processamento é realizado para todos os pixels da borda de um segmento, garante-se, numa seção crítica, que seja identificado o melhor vizinho entre todos vizinhos encontrados para estes pixels.. À medida que os segmentos são aglomerados, apenas um entre os pixels de cada segmento é separado para representá-lo. Este passo ocorre na fase Realizar Fusões. O primeiro passo desta fase consiste na verificação dos pixels que representam segmentos, pois somente as suas threads devem ser processadas. Após, caso um segmento possua um melhor vizinho que tenha um custo de fusão menor do que o custo de fusão máximo, definido pelo parâmetro de escala, este é selecionado para a fusão. Uma seção crítica garante que um segmento não seja processado simultaneamente por mais de uma thread. Desta forma, os segmentos envolvidos em determinada fusão são marcados, fazendo com que qualquer outra thread que tente acessá-los fique bloqueada. O segmento escolhido para fusão engloba seu melhor vizinho e os atributos do segmento resultante são calculados. Por conseqüência, o segmento que foi englobado deixa de ser considerado como segmento e o pixel que o representava passa a faze parte do segmento que o anexou. Cabe ressaltar que, a fim de se evitar perda de desempenho, criou-se um mecanismo para realizar um controle sobre as threads que estão em espera. Assim, quando uma thread é bloqueada, um indicador é ativado designando que há ainda pixels não processados e a thread é forçada em seguida a abortar. Ao término desta etapa, caso o indicador tenha sido ativado, este é desativado e a função Realizar Fusões é novamente invocada. Este procedimento se repete até que o indicador não mais seja ativado. A função Redefinir Segmentos deve ser executada somente se alguma fusão houver ocorrido na etapa Realizar Fusões. Apenas as threads dos pixels pertencentes a segmentos que foram anexados na função anterior devem ser processadas. Esta função é responsável por atribuir a estes pixels o identificador dos segmentos que os englobaram. 7716
5 Anais XV Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Curitiba, PR, Brasil, 30 de abril a 05 de maio de 2011, INPE p.7717 A etapa Recalcular Bordas tem o papel de identificar e marcar os pixels que deixaram de fazer parte da borda de algum segmento. Desta maneira, para cada pixel de borda, é verificado se este está na borda da imagem ou se pelo menos um de seus pixels adjacentes pertence a um segmento diferente do seu próprio. Caso contrário, o pixel deixa de ser considerado como pixel borda. Quando mais nenhuma fusão é possível, o algoritmo é finalizado com a função Escrever Resultado. As threads de cada pixel são processadas paralelamente, escrevendo numa imagem de saída, que contém o resultado final da segmentação, a média dos valores espectrais do segmento correspondente. 3.3 Cálculo dos Atributos de Heterogeneidade O cálculo dos dois atributos de forma descritos na seção 3.1 envolve o cálculo do perímetro (p). Para se calcular o perímetro do segmento resultante da fusão de um par de segmentos, é necessário identificar os pixels da borda comuns aos dois segmentos. Este procedimento é realizado para cada pixel de borda e implica em um grande número de acessos à memória global da GPU, cuja latência é alta. Além disso, este procedimento provoca o desbalanceamento de carga entre as threads. Com o intuito de contornar este problema, é proposta neste trabalho, a substituição destes atributos de forma por outros similares que não envolvam o cálculo do perímetro dos segmentos. Gomes e Paciornik (2005) apresentam diferentes parâmetros de forma e suas características. Entre estes, destacam-se dois atributos previamente descritos por Russ (1998) que não requerem o cálculo do perímetro: a circularidade e a solidez. O primeiro é um atributo relativo à forma circular dos objetos, assim como a compacidade (Equação 4). Desta maneira, uma variação da circularidade definida pela Equação 8 e denominada de Atrib fcirc foi selecionada para substituir o parâmetro de compacidade no algoritmo proposto. Para esta formulação são levadas em consideração a área n e o calibre máximo (feret máximo) cmax dos objetos. c max Atrib fcirc = (12) n A solidez, tal como a suavidade (Equação 5), é um parâmetro que diz respeito à forma convexa dos objetos. Portanto, um atributo definido como Atrib fconv,baseado na solidez e definido pela Equação 9, foi escolhido para tomar o lugar da suavidade no novo algoritmo. Para isto, é necessária a utilização da área n do objeto e da área de seu retângulo envolvente nbox. nbox Atrib fconv = (13) n 4. Avaliação Experimental Os experimentos descritos nesta seção foram divididos em dois grupos. O primeiro grupo tem como foco a avaliação do impacto da substituição dos atributos de forma previstos no algoritmo original de Baatz & Schäpe pelos novos atributos propostos na seção anterior. O segundo grupo de experimentos visa estimar o ganho de desempenho em função do tempo de processamento da versão paralela em relação à seqüencial. 4.1 Impacto da substituição de atributos de forma O objetivo destes experimentos é averiguar se a alteração proposta dos atributos de forma é válida, através da análise do resultado obtido por uma determinada função de disparidade. 7717
6 Anais XV Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Curitiba, PR, Brasil, 30 de abril a 05 de maio de 2011, INPE p.7718 Cabe salientar que esta é uma verificação preliminar com o intuito apenas de demonstrar que esta substituição não deve penalizar o resultado da segmentação. Contudo, a relação entre os valores dos parâmetros de segmentação e a qualidade da segmentação resultante não pode ser formulada analiticamente (Feitosa et al., 2009). Desta maneira, foi utilizada uma ferramenta, denominada SPT (Segmentation Parameters Tuner), que realiza o ajuste automático dos parâmetros de segmentação através de algoritmo genético. A imagem empregada nestes experimentos é um recorte de uma imagem QuickBird e sua segmentação foi comparada com três referências contendo, respectivamente, objetos considerados homogêneos, heterogêneos e mesclados. A função de disparidade utilizada foi a RBSB (Costa, 2008) já presente no SPT. A Tabela 1 exprime o melhor valor obtido pela função de disparidade para cada par de parâmetros de acordo com os tipos de objetos da referência. Pode-se observar que para os três grupos de objetos a diferença em relação aos dois pares de parâmetros é pequena, o que demonstra que o resultado utilizando os novos parâmetros se aproxima do resultado original. A percepção visual da qualidade da segmentação de cada grupo de objetos em relação a sua respectiva referência pode ser realizada por intermédio da observação da Figura 2. As ilustrações (a), (b) e (c) se referem respectivamente à utilização dos parâmetros de compacidade e suavidade para grupos homogêneos, heterogêneos e mesclados. Já as imagens (d), (e) e (f) são relativas à utilização dos novos parâmetros para objetos homogêneos, heterogêneos e mesclados, respectivamente. As referências são apresentadas na cor amarela. (a) (b) (c) (d) (e) (f) Figura 2. Resultado da segmentação utilizando os parâmetros Comp e Svd para objetos homogêneos (a), heterogêneos (b) e mesclados (c) e utilizando os parâmetros Atribfcirc e Atribfconv também para objetos homogêneos (d), heterogêneos (e) e mesclados (f). Tabela 1. Valor da disparidade por parâmetros utilizados e tipos de objetos Parâmetros utilizados Comp e Svc Atribfcirc e Atribfconv Valor de disparidade por tipo de objetos Homogêneos Heterogêneos Mesclados 0,14 0,56 0,46 0,16 0,57 0,
7 Anais XV Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Curitiba, PR, Brasil, 30 de abril a 05 de maio de 2011, INPE p.7719 É possível observar a semelhança entre (a) e (d) verificando que, em ambos, as referências estão bem representadas pelos segmentos da imagem. As representações (b) e (e) também são parecidas resultando em segmentos menores que podem ser aglomerados para formar os objetos de referência. O mesmo ocorre para (c) e (f), que assemelham-se entre si. Desta forma, podemos concluir que a alteração dos parâmetros gerou resultados similares aos gerados pelo algoritmo original. 4.2 Aceleração da Versão paralela em Relação à Seqüencial O objetivo desta seção é avaliar o ganho de desempenho computacional ao se comparar os tempos de execução da versão paralela do algoritmo, executada na GPU, com aqueles da versão seqüencial. Os tempos de execução apresentados mais abaixo se referem à versão modificada do algoritmo. As medidas da versão seqüencial se referem a um computador equipado com processador Core operando a 1.8Ghz e 2GB de RAM. As versões paralelas foram testas em uma GPU Nvidia GeForce 9600 GT e uma GPU Nvidia Tesla. Três diferentes imagens de variados tamanhos (Tabela 2) foram escolhidas para serem processadas. Tabela 2. Imagens para teste de desempenho e seus respectivos tamanhos Imagem Colunas Linhas IM IM IM A Figura 3 mostra as acelerações (speedups) obtidas para cada imagem em cada uma das GPUs em relação à execução seqüencial. Nota-se que, mesmo na GPU de baixo custo (GeForce 9600), alcançou-se um desempenho pelo menos 3 vezes superior ao da versão seqüencial. Para uma GPU com maior poder de processamento, como no caso da Tesla, conseguiu-se uma aceleração de mais de 12 vezes. Figura 3. Acelerações obtidas para diferentes imagens e GPUs 5. Conclusões Este trabalho apresentou um algoritmo paralelo para segmentação de imagens por crescimento de regiões para execução em GPUs. Além da alteração lógica e estrutural do algoritmo, o algoritmo proposto prevê a substituição de parâmetros de forma que caracterizam heterogeneidade espacial, de modo a propiciar um maior ganho de desempenho na versão paralela. Nos experimentos realizados, a alteração dos atributos proposta neste trabalho não causou alteração substancial no resultado da segmentação, desde que os parâmetros do algoritmo seja 7719
8 Anais XV Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Curitiba, PR, Brasil, 30 de abril a 05 de maio de 2011, INPE p.7720 convenientemente ajustados. Testes com maiores massas de dados, se fazem necessários para verificar a generalidade desta afirmativa. Em relação ao ganho de desempenho, pode-se notar o potencial da utilização da GPU para acelerar processamento da segmentação. A implementação paralela chegou a ser mais do que quatro vezes mais rápida do que a segmentação seqüencial ao se utilizar um hardware simples, o que representa um ganho considerável a baixo custo. Para uma GPU mais moderna, foi alcançado um desempenho computacional doze vezes superior ao do algoritmo seqüencial. A experiência acumulada no desenvolvimento do presente trabalho sugere claramente que o algoritmo aqui proposto não explora todo o potencial das GPUs e que progressos importantes poderão ainda ser alcançados no futuro. Referências Bibliográficas Baatz, M.; Schäpe, A. Multiresolution Segmentation: an optimization approach for high quality multiscale image segmentation, Heidelberg. Strobl J, Blaschke T, Griesebner G (eds) Angewandte Geographische Informationsverarbeitung, v. 12, p , Costa, G. A. O. P.; Feitosa, R. Q.; Cazes, T. B.; Feijó, B. Genetic Adaptation of Segmentation Parameters. In: Blaschke, T.; Lang, S.; Hay, G. (Eds.). Object-Based Image Analysis: Spatial concepts for knowledge-driven remote sensing applications. Heidelberg: Springer, p Feitosa, R. Q.; Costa, G. A. O. P; Fredrich, C. M. B.; Camargo, F. F.; Almeida, C. M. A. Uma avaliação de métodos genéticos para ajuste de parâmetros de segmentação. In: Simpósio Brasileiro de Sensoriamento Remoto (SBSR) 14, Anais XIV Simpósio Brasileiro de Sensoriamento Remoto, Natal, Brasil, abril 2009, INPE, p Gomes, O. F. M.; Paciornik, S. Automatic Classification of Graphite in Cast Iron. Microscopy and Microanalysis, v. 11, p , Happ, P. N.; Ferreira, R. S.; Bentes, C.; Costa, G. A. O. P.; Feitosa, R. Q. Segmentação multiresolução: uma abordagem paralela para segmentação de imagens de alta resolução em arquiteturas de múltiplos núcleos. In: Simpósio Brasileiro de Sensoriamento Remoto (SBSR) 14, Anais XIV Simpósio Brasileiro de Sensoriamento Remoto, Natal, Brasil, abril 2009, INPE, p Lenkiewicz, P.; Pereira, M.; Freire, M.M.; Fernandes, J. A new 3D image segmentation method for parallel architectures, Multimedia and Expo, ICME IEEE International Conference on, vol., no., pp , June July 3, Lübker, T.; G. Schaab. Optimization of parameter settings for multilevel image segmentation in GEOBIA. In: Proceedings of ISPRS Hannover Workshop 2009 High-Resolution Earth Imaging for Geospatial Information, 2-5 June 2009, Hannover (Germany), ed. by C. Heipke, K. Jacobsen, S. Müller, and U. Sörgel. Pedrini, H.; Schwartz, W. Análise de Imagens Digitais: Princípios, Algoritmos e Aplicações, Thomson Learning, São Paulo, Russ, J. C. The image processing handbook - 3rd ed. Materials Science and Engineering Department North Carolina State University Raleigh - North Carolina, Singh, D. E.; Heras, D. B.; Rivera, F. F. Parallel seeded region growing algorithm. Proceedings of VIII Simposium Nacional de Reconocimiento de Formas y Analisis de Imagenes. SNRFAI 99. Bilbao(Spain), Smith, G. M.; Morton, R. D. Real World Objects in GEOBIA through the Exploitation of Existing Digital Cartography and Image Segmentation. Photogrammetric Engineering & Remote Sensing, 76 (2) , Wassenberg, J.; Middelmann, W.; Sanders, P. An Efficient Parallel Algorithm for Graph-Based Image Segmentation, CAIP '09: Proceedings of the 13th International Conference on Computer Analysis of Images and Patterns,
3 Fundamentos teóricos
3 Fundamentos teóricos Este capítulo aborda os fundamentos teóricos importantes para o entendimento do algoritmo de segmentação desenvolvido nesta dissertação e exposto no capítulo 4. São apresentados
Boletim de Ciências Geodésicas ISSN: Universidade Federal do Paraná Brasil
Boletim de Ciências Geodésicas ISSN: 1413-4853 bcg_editor@ufpr.br Universidade Federal do Paraná Brasil NIGRI HAPP, PATRICK; QUEIROZ FEITOSA, RAUL; BENTES, CRISTIANA; FARIAS, RICARDO UM ALGORITMO DE SEGMENTAÇÃO
3 Segmentador Multiresolução Estendido
3 Segmentador Multiresolução Estendido Neste capítulo é abordado o método de segmentação de imagens proposto neste trabalho. A seção 3.1 apresenta o método de segmentação. Na seção 3.2 são apresentados
Ajuste de parâmetros no algoritmo de segmentação de imagens do software ecognition. Giovana Mira de Espindola Gilberto Câmara
Ajuste de parâmetros no algoritmo de segmentação de imagens do software ecognition Giovana Mira de Espindola Gilberto Câmara Instituto Nacional de Pesquisas Espaciais - INPE Caixa Postal 515-12245-970
Uma abordagem baseada em objeto na análise de imagens com a utilização de segmentações independentes
Uma abordagem baseada em objeto na análise de imagens com a utilização de segmentações independentes Marcelo Musci Raul Queiroz Feitosa Gilson Alexandre Ostwald Pedro da Costa Pontifícia Universidade Católica
Uma avaliação de métodos genéticos para ajuste de parâmetros de segmentação
Uma avaliação de métodos genéticos para ajuste de parâmetros de segmentação Raul Queiroz Feitosa 1 Gilson Alexandre Ostwald Pedro da Costa 1 Cecília Maria Buarque Fredrich 1 Flávio Fortes Camargo 2 Cláudia
Aplicação de Algoritmos Genéticos para a Evolução de Parâmetros para a Segmentação de Imagens
Aplicação de Algoritmos Genéticos para a Evolução de Parâmetros para a Segmentação de Imagens Costa, G. A., Cazes, T. B. Resumo - A segmentação automática de imagens de sensoreamento remoto é uma área
1.1 Descrição do problema A programação genética (PG) é uma meta-heurística utilizada para gerar programas de computadores, de modo que o computador
1 Introdução 1.1 Descrição do problema A programação genética (PG) é uma meta-heurística utilizada para gerar programas de computadores, de modo que o computador possa resolver problemas de forma automática
1 Introdução. I know because I must know. It's my purpose. It's the reason I'm here. (The Matrix) 1.1 Objetivos do trabalho
1 Introdução I know because I must know. It's my purpose. It's the reason I'm here. (The Matrix) 1.1 Objetivos do trabalho Os hardwares gráficos atualmente podem ser considerados como verdadeiros processadores
Técnicas de Processamento Paralelo na Geração do Fractal de Mandelbrot
Técnicas de Processamento Paralelo na Geração do Fractal de Mandelbrot Bruno Pereira dos Santos Dany Sanchez Dominguez Esbel Tomás Evalero Orellana Universidade Estadual de Santa Cruz Roteiro Breve introdução
Implementação de um escalonador de processos em GPU
Implementação de um escalonador de processos em GPU Guilherme Martins guilhermemartins@usp.br 6 de abril de 2017 Guilherme Martins (guilhermemartins@usp.br) Implementação de um escalonador de processos
Paradigmas de Processamento Paralelo na Resolução do Fractal de Mandelbrot
Paradigmas de Processamento Paralelo na Resolução do Fractal de Mandelbrot Bruno Pereira dos Santos Dany Sanchez Dominguez Universidade Estadual de Santa Cruz Cronograma Introdução Serial vs Processamento
Arquiteturas de Computadores
Arquiteturas de Computadores Computadores vetoriais Fontes dos slides: Livro Patterson e Hennessy, Quantitative Approach e site do curso EE 7722, GPU Microarchitecture do Prof. David Koppelman Graphical
Uma Abordagem Multiescalar, Multicritério para a Segmentação de Imagens
Rodrigo da Silva Ferreira Uma Abordagem Multiescalar, Multicritério para a Segmentação de Imagens Dissertação de Mestrado Dissertação apresentada como requisito parcial para obtenção do grau de Mestre
Memory-level and Thread-level Parallelism Aware GPU Architecture Performance Analytical Model
Memory-level and Thread-level Parallelism Aware GPU Architecture Performance Analytical Model Sunpyo Hong Hyesoon Kim ECE School of Computer Science Georgia Institute of Technology April 6, 2011 Visão
Segmentação local. geralmente baseados em análise de descontinuidade ou similaridade de valores digitais.
Segmentação Segmentação local 2 Segmentação local geralmente baseados em análise de descontinuidade ou similaridade de valores digitais. descontinuidade : a abordagem é dividir a imagem baseando-se em
5 Unidades de Processamento Gráfico GPUs
5 Unidades de Processamento Gráfico GPUs As GPUs são processadores maciçamente paralelos, com múltiplos elementos de processamento, tipicamente utilizadas como aceleradores de computação. Elas fornecem
Aluno de Pós-Graduação em Engenharia de Software para Dispositivos Móveis pela UNINTER
COMPARAÇÃO DE DESEMPENHO NA PROGRAMAÇÃO PARALELA HÍBRIDA (MPI + OPENMP) NA BUSCA DE TEXTO EM ARQUIVOS 1 COMPARISON OF PERFORMANCE IN HYBRID PARALLEL PROGRAMMING (MPI + OPENMP) IN SEARCH OF TEXT IN FILES
Paralelização do Detector de Bordas Canny para a Biblioteca ITK usando CUDA
Paralelização do Detector de Bordas Canny para a Biblioteca ITK usando CUDA Luis Henrique Alves Lourenço Grupo de Visão, Robótica e Imagens Universidade Federal do Paraná 7 de abril de 2011 Sumário 1 Introdução
Sparse Matrix-Vector Multiplication on GPU: When Is Rows Reordering Worthwhile?
Sparse Matrix-Vector Multiplication on GPU: When Is Rows Reordering Worthwhile? Paula Prata João Muranho Instituto de Telecomunicações Departamento de Informática Universidade da Beira Interior Instituto
Computação científica utilizando placas gráficas
Brasília, dezembro de 2008 Universidade de Brasília - Faculdade do Gama Sumário Introdução Sumário Introdução Arquitetura da GPU Sumário Introdução Arquitetura da GPU Modelo de programação Sumário Introdução
Maria Gonçalves da Silva Barbalho 1 André Luiz Monteiro da Silva 1 Mariana Almeida de Araújo 1 Rafael Antônio França Ferreira 1
Imagens CBERS para o Monitoramento da 2 a Safra Agrícola de 2004 Município de Jataí Goiás Maria Gonçalves da Silva Barbalho 1 André Luiz Monteiro da Silva 1 Mariana Almeida de Araújo 1 Rafael Antônio França
GPU (Graphics Processing Unit) Bruno Padilha Gregory De Bonis Luciana Kayo
GPU (Graphics Processing Unit) Bruno Padilha - 5745282 Gregory De Bonis - 6431180 Luciana Kayo - 6430992 O que é? O que é? - Processador auxiliar responsável principalmente por operações de ponto flutuante
Aplicação da técnica de mineração de dados por meio do algoritmo J48 para definição de limiares de imagens de sensoriamento remoto
Aplicação da técnica de mineração de dados por meio do algoritmo J48 para definição de limiares de imagens de sensoriamento remoto Rodrigo Rodrigues Antunes e Israel Rodrigues Gonçalves Resumo: O objetivo
Detecção de objetos regulares em imagens de alta resolução utilizando casamento de modelos. Douglas Messias Uba 1 Luciano Vieira Dutra 1
Detecção de objetos regulares em imagens de alta resolução utilizando casamento de modelos Douglas Messias Uba 1 Luciano Vieira Dutra 1 1 Instituto Nacional de Pesquisas Espaciais INPE Caixa Postal 515
COMPARAÇÃO DE DESEMPENHO ENTRE IMPLEMENTAÇÕES DO ALGORITMO JOGO DA VIDA COM PTHREAD E OPEMMP 1
COMPARAÇÃO DE DESEMPENHO ENTRE IMPLEMENTAÇÕES DO ALGORITMO JOGO DA VIDA COM PTHREAD E OPEMMP 1 Márcia Da Silva 2, Igor Gamste Haugg 3, Eliézer Silveira Prigol 4, Édson L. Padoin 5, Rogério S. M. Martins
ARQUITETURA DE COMPUTADORES
RCM00014 Haswell wafer ARQUITETURA DE COMPUTADORES Prof. Luciano Bertini Site: http://www.professores.uff.br/lbertini/ Objetivos do Curso Entendimento mais aprofundado do funcionamento
Sumário. Referências utilizadas. Introdução. MAFIA: Merging of Adaptive Finite Intervals. Introdução Visão Geral e Objetivos do MAFIA
Sumário : Merging of Adaptive Finite Intervals Elaine Ribeiro de Faria Análise de Agrupamento de Dados ICMC-USP Dezembro 2010 Introdução Visão Geral e Objetivos do Algoritmo Grid Adaptativo Algoritmo Algoritmo
Aplicação de Processamento Paralelo com GPU a Problemas de Escoamento Monofásico em Meios Porosos. Bruno Pereira dos Santos Dany Sanchez Dominguez
Aplicação de Processamento Paralelo com GPU a Problemas de Escoamento Monofásico em Meios Porosos Bruno Pereira dos Santos Dany Sanchez Dominguez 1 Roteiro 1. Introdução 2. Five-Spot Problem 3. Modelagem
Aluno do Curso de Ciência da Computação UNIJUÍ, 3
PROPOSTA DE UM BALANCEADOR DE CARGA PARA REDUÇÃO DE TEMPO DE EXECUÇÃO DE APLICAÇÕES EM AMBIENTES PARALELOS 1 PROPOSAL FOR A LOAD BALANCER TO REDUCE APPLICATION RUNTIME IN PARALLEL ENVIRONMENTS Vinícius
BALANCEAMENTO DE CARGA EM SISTEMAS MULTIPROCESSADORES UTILIZANDO O MODELO DE PROGRAMAÇÃO CHARM++ 1
BALANCEAMENTO DE CARGA EM SISTEMAS MULTIPROCESSADORES UTILIZANDO O MODELO DE PROGRAMAÇÃO CHARM++ 1 Guilherme Henrique Schiefelbein Arruda 2, Edson Luiz Padoin 3. 1 Trabalho desenvolvido no contexto do
A IMPORTÂNCIA DE THREADS NO DESEMPENHO DE APLICAÇÕES
A IMPORTÂNCIA DE THREADS NO DESEMPENHO DE APLICAÇÕES Euzébio da Costa Silva 1, Victor Pereira Ribeiro 2, Susana Brunoro Costa de Oliveira 3 1 29520-000, euzebioprogramacao@gmail.com 2 29520-000, victor3ifes@gmail.com
Aluno do curso de Ciência da Computação da Unijuí e Bolsista PIBIC/UNIJUÍ, 3. Professor Orientador do Departamento de Ciências Exatas e Engenharias 4
ALGORITMO DE BALANCEAMENTO DE CARGA PARA REDUÇÃO DO TEMPO DE EXECUÇÃO DE APLICAÇÕES PARALELAS 1 PARALLEL APPLICATIONS RUNTIME REDUCTION FOCUSED LOAD BALANCEMENT ALGORITHM Vinícius Mânica Mastella 2, Edson
Comparação de eficiência entre OpenCL e CUDA
Aluno: Thiago de Gouveia Nunes Orientador: Prof. Marcel P. Jackowski GPGPU O que é GPGPU? É programação de propósito geral em GPUs. =D GPGPU Existem 2 linguagens populares no mercado para GPGPU, o CUDA
Clusterização K-Means Paralelo Aplicado na Classificação de Alvos em Imagens de Alta Resolução
Clusterização K-Means Paralelo Aplicado na Classificação de Alvos em Imagens de Alta Resolução Luís Paulo Manfré Ribeiro luis.ribeiro@inpe.br Instituto Nacional de Pesquisas Espaciais - INPE São José dos
What is? Eduardo Viola Nicola Disciplina de IPPD
What is? Eduardo Viola Nicola evnicola@inf.ufpel.edu.br Disciplina de IPPD Sumário 1)Introdução 2)Princípio Geral de Funcionamento 3)Exemplos de Aplicações 4)Modelo de Programação 5)Linguagens Suportadas
Análise empírica de algoritmos de ordenação
Análise empírica de algoritmos de ordenação Mario E. Matiusso Jr. (11028407) Bacharelado em Ciências da Computação Universidade Federal do ABC (UFABC) Santo André, SP Brasil mario3001[a]ig.com.br Resumo:
Processamento de áudio em tempo real utilizando dispositivos não convencionais:
Processamento de áudio em tempo real utilizando dispositivos não convencionais: Processamento paralelo com Pure Data e GPU. André Jucovsky Bianchi ajb@ime.usp.br Departamento de Ciência da Computação Instituto
Arquiteturas paralelas Parte 1
Arquiteturas paralelas Parte 1 Processamento Paralelo Prof. Oberlan Romão Departamento de Computação e Eletrônica DCEL Centro Universitário Norte do Espírito Santo CEUNES Universidade Federal do Espírito
4 Testes e experimentos realizados 4.1. Implementação e banco de dados
32 4 Testes e experimentos realizados 4.1. Implementação e banco de dados Devido à própria natureza dos sites de redes sociais, é normal que a maior parte deles possua uma grande quantidade de usuários
Computação Paralela (CUDA)
Universidade Federal do Amazonas Faculdade de Tecnologia Departamento de Eletrônica e Computação Computação Paralela (CUDA) Hussama Ibrahim hussamaibrahim@ufam.edu.br Notas de Aula Baseado nas Notas de
DESENVOLVIMENTO DE UM ALGORITMO PARALELO PARA APLICAÇÃO EM CLUSTER DE COMPUTADORES
DESENVOLVIMENTO DE UM ALGORITMO PARALELO PARA APLICAÇÃO EM CLUSTER DE COMPUTADORES João Ricardo Kohler Abramoski (PAIC/FUNDAÇÃO ARAUCÁRIA), Sandra Mara Guse Scós Venske (Orientadora), e-mail: ssvenske@unicentro.br
5 Conclusões e Trabalhos Futuros
5 Conclusões e Trabalhos Futuros Este trabalho apresentou a proposta de um novo modelo de programação genética linear (PGLIQ), inspirado no conceito da física quântica de superposição de estados, capaz
Fusão de Dados: A Nova Tendência em Processamento Digital de Imagens
Fusão de Dados: A Nova Tendência em Processamento Digital de Imagens CAMILA SOUZA DOS ANJOS LACERDA IFSULDEMINAS Campus Inconfidentes Roteiro Introdução Objetivos Conceituação Resolution Merge / Pan Sharpen
4 Método Proposto CR AD PA NDVI Descrição geral do modelo
34 4 Método Proposto 4.1. Descrição geral do modelo Neste trabalho, cada classe (cobertura vegetal) possui um HMM específico. Os estágios fenológicos correspondem a estados e os símbolos observáveis a
Introdução ao CUDA. Material elaborado por Davi Conte.
Introdução ao CUDA Material elaborado por Davi Conte. O objetivo deste material é que o aluno possa iniciar seus conhecimentos em programação paralela, entendendo a diferença da execução de forma sequencial
SSC510 Arquitetura de Computadores. 6ª aula
SSC510 Arquitetura de Computadores 6ª aula PARALELISMO EM NÍVEL DE PROCESSOS PROFA. SARITA MAZZINI BRUSCHI Tipos de Paralelismo Instrução (granulosidade fina) Paralelismo entre as instruções Arquiteturas
de petróleo. Um novo domínio chamado computação de propósito geral em processadores gráficos (GPGPU) surgiu quando os pipelines de gráficos de
12 1 1.1. Motivações Dentre os tipos de técnicas de Inteligência Artificial existentes, as técnicas de Programação Genética (PG) continuam mudando rapidamente conforme os pesquisadores e profissionais
USO DE PARALELISMO DE DADOS PARA MAIOR EFICIÊNCIA DE ALGORITMOS DE PROCESSAMENTO DE IMAGENS
Universidade Federal de Ouro Preto - UFOP Instituto de Ciências Exatas e Biológicas - ICEB Departamento de Computação - DECOM USO DE PARALELISMO DE DADOS PARA MAIOR EFICIÊNCIA DE ALGORITMOS DE PROCESSAMENTO
Introdução à Computação: Sistemas de Computação
Introdução à Computação: Sistemas de Computação Beatriz F. M. Souza (bfmartins@inf.ufes.br) http://inf.ufes.br/~bfmartins/ Computer Science Department Federal University of Espírito Santo (Ufes), Vitória,
Introdução à Programação Paralela através de Padrões. Denise Stringhini Calebe Bianchini Luciano Silva
Introdução à Programação Paralela através de Padrões Denise Stringhini Calebe Bianchini Luciano Silva Sumário Introdução: conceitos de paralelismo Conceitos básicos sobre padrões de programação paralela
Tecnólogo em Análise e Desenvolvimento de Sistemas. Sistemas Operacionais (SOP A2)
Tecnólogo em Análise e Desenvolvimento de Sistemas Sistemas Operacionais (SOP A2) Conceitos de Hardware e Software Referências: Arquitetura de Sistemas Operacionais. F. B. Machado, L. P. Maia. Editora
Introdução à Computação: Sistemas de Computação
Introdução à Computação: Sistemas de Computação Beatriz F. M. Souza (bfmartins@inf.ufes.br) http://inf.ufes.br/~bfmartins/ Computer Science Department Federal University of Espírito Santo (Ufes), Vitória,
Bacharelado em Sistemas de Informação Sistemas Operacionais. Prof. Filipo Mór
Bacharelado em Sistemas de Informação Sistemas Operacionais Prof. Filipo Mór WWW.FILIPOMOR.COM - REVISÃO ARQUITETURAS PARALELAS Evolução das Arquiteturas Evolução das Arquiteturas Entrada CPU Saída von
UM ESTUDO COMPARATIVO DE DESEMPENHO UTILIZANDO PROGRAMAÇÃO SEQUENCIAL VS PARALELA APLICADO EM ALGORITMOS GENÉTICOS 1
UM ESTUDO COMPARATIVO DE DESEMPENHO UTILIZANDO PROGRAMAÇÃO SEQUENCIAL VS PARALELA APLICADO EM ALGORITMOS GENÉTICOS 1 Eldair F. Dornelles 2, Henrique A. Richter 3, Miquéias F. M. Trennepohl 4, Taís T. Siqueira
Sistemas Distribuídos
Sistemas Distribuídos Classificação de Flynn Fonte: Professoras. Sarita UFRJ e Thais V. Batista - UFRN Arquiteturas Paralelas Computação Paralela Conceitos Permite a execução das tarefas em menor tempo,
Aplicações em CUDA. Medialab Instituto de Computação Universidade Federal Fluminense NVIDIA CUDA Research Center
Aplicações em CUDA Medialab Instituto de Computação Universidade Federal Fluminense NVIDIA CUDA Research Center Roteiro l Introdução l Eventos l Aspectos históricos l Operações atômicas l Introdução sobre
Frustum Culling Híbrido Utilizando CPU e GPU. Aluno: Eduardo Telles Carlos Orientador: Alberto Raposo Co-Orientador: Marcelo Gattass
Frustum Culling Híbrido Utilizando CPU e GPU Aluno: Eduardo Telles Carlos Orientador: Alberto Raposo Co-Orientador: Marcelo Gattass Agenda Objetivos Motivação Algoritmos de visibilidade Frustum Culling
Correção do fenômeno NODATA na transformação de 16 para 8 bits em imagens QuickBird.
Correção do fenômeno NODATA na transformação de 16 para 8 bits em imagens QuickBird. Rodrigo Aparecido Domingues Melquiades 1 Camila Souza dos Anjos 1 Luciana Arantes dos Santos 1 1 Imagem Soluções de
Paralelismo de dados. (execução de simultaneidade) Tipo de arquitetura paralela SIMD. SIMD (Single Instruction Multiple Data)
Paralelismo de dados (execução de simultaneidade) Em métodos tradicionais de programação (processamento sequencial), uma grande quantidade de dados é processada em um único núcleo de uma CPU, enquanto
Workshop de Informática Biomédica (WIBm)
42 UTILIZAÇÃO DE UNIDADES DE PROCESSAMENTO GRÁFICO EM SIMULAÇÕES DO PROBLEMA DE PONTOS ALEATÓRIOS Cristiano Roberto Fabri Granzotti 1, Alexandre Souto Martinez 1 1 Laboratório de Simulação em Sistemas
Visualização de terrenos em GPU
Visualização de terrenos em GPU Leonardo Martins { lmartins@inf.puc-rio.br} Disciplina: Visualização de Modelos Massivos Professor: Alberto Raposo Sumário Introdução Objetivos Visão geral Hierarquia de
CUDA: Compute Unified Device Architecture. Marco Antonio Simões Teixeira
CUDA: Compute Unified Device Architecture Marco Antonio Simões Teixeira Sumário Introdução; CUDA: História; CUDA: programando; CUDA e deep learning; Links úteis; Considerações finais. 2 INTRODUÇÃO 3 O
Mapeamento urbano por classificação hierárquica semi-automática baseada em objetos
Mapeamento urbano por classificação hierárquica semi-automática baseada em objetos Francine da Rocha Rossoni 1 Valéria Jardim Pires 1 Daniel Zanotta 1,2 1 Instituto Federal de Educação Ciência e Tecnologia
INTRODUÇÃO À TECNOLOGIA DA INFORMAÇÃO ORGANIZAÇÃO COMPUTACIONAL
INTRODUÇÃO À TECNOLOGIA DA ORGANIZAÇÃO COMPUTACIONAL PROFESSOR CARLOS MUNIZ ORGANIZAÇÃO DE UM COMPUTADOR TÍPICO Memória: Armazena dados e programas Processador (CPU - Central Processing Unit): Executa
Celso L. Mendes LAC /INPE
Arquiteturas para Processamento de Alto Desempenho (PAD) Aula 9 Celso L. Mendes LAC /INPE Email: celso.mendes@inpe.br Aula 9 (3/5): E. Aceleradores Estrutura Planejada i. Estruturas mais Populares ii.
Proposta de Melhoria de uma Implementação Paralela para GPUs Usando CUDA - Estudo de Caso em Modelo Atmosférico
Proposta de Melhoria de uma Implementação Paralela para GPUs Usando CUDA - Estudo de Caso em Modelo Atmosférico Fabiano Cassol de Vargas, Matheus Beniz Bieger, Claudio Schepke 1 Laboratório de Estudos
Monitorando o Consumo Energético de Aplicações Concorrentes com Arduino
Monitorando o Consumo Energético de Aplicações Concorrentes com Arduino Bruno Giacobo Pinto Lucas Mendonça da Silva Xavier Gerson G. H. Cavalheiro Laboratory of Ubiquitous and Parallel Systems Universidade
Arquiteturas de Computadores. Programa de Pós-Graduação em Ciência da Computação. Plano da aula
Arquiteturas de Computadores Programa de Pós-Graduação em Ciência da Computação Norian Marranghello Março/Junho de 2006 Plano da aula Informações gerais Provas e testes Programa da disciplina Informações
Universidade Federal de Campina Grande Departamento de Sistemas e Computação Curso de Bacharelado em Ciência da Computação.
Universidade Federal de Campina Grande Departamento de Sistemas e Computação Curso de Bacharelado em Ciência da Computação Organização e Arquitetura de Computadores I Organização e Arquitetura Básicas
Jônatas Lopes de Paiva Instituto de Matemática e Estatística Universidade de São Paulo. 06 de maio de 2011
Jônatas Lopes de Paiva jlp@ime.usp.br Instituto de Matemática e Estatística Universidade de São Paulo 06 de maio de 2011 Introdução String-matching O que é? Em que é utilizado Tipos GPU GPGPU String-matching
Aluno: Chidambaram Chidambaram Prof. Heitor Silvério Lopes
UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA E INFORMÁTICA INDUSTRIAL Disciplina - Tópicos Especiais em Computação Paralela Capítulo 8 - Parallel Particle
Universidade Estadual de Mato Grosso do Sul UEMS Curso de Ciência da Computação Disciplina de Algoritmos Paralelos e Distribuídos
Universidade Estadual de Mato Grosso do Sul UEMS Curso de Ciência da Computação Disciplina de Algoritmos Paralelos e Distribuídos Pensando em Paralelo Pensar em paralelo é uma tarefa que exige disciplina
GENERALIZAÇÃO DE REDES NEURAIS ARTIFICIAS USANDO DADOS DE DIFERENTES SENSORES - LANDSAT E CBERS - UMA ABORDAGEM ORIENTADA A REGIÕES
GENERALIZAÇÃO DE REDES NEURAIS ARTIFICIAS USANDO DADOS DE DIFERENTES SENSORES - LANDSAT E CBERS - UMA ABORDAGEM ORIENTADA A REGIÕES Igor Amazonas de Andrade 1 Mosar Faria Botelho 2 Selma Regina Aranha
Visualização de terrenos em GPU
Visualização de terrenos em GPU Leonardo Martins { lmartins@inf.puc-rio.br} Disciplina: Visualização de Modelos Massivos Professor: Alberto Raposo Sumário Introdução Objetivos Visão geral Hierarquia de
PARALELIZAÇÃO DE ALGORITMO DE INSPEÇÃO DE ROTAS UTILIZANDO PERMUTAÇÃO LEXICOGRÁFICA 1
PARALELIZAÇÃO DE ALGORITMO DE INSPEÇÃO DE ROTAS UTILIZANDO PERMUTAÇÃO LEXICOGRÁFICA 1 Jessica De Almeida Berlezi 2, Janiel Ceretta Foletto 3, Edson Luiz Padoin 4, Rogério S. M. Martins 5. 1 Trabalho realizado
Organização de Sistemas de Computadores
Organização de Sistemas de Computadores Cap. 2 (Tanenbaum), Cap. 3 (Weber) 2.1 Processadores 1 CPU UC = buscar instruções na memória principal e determinar o seu tipo ULA = adição e AND Registradores =
UNIVERSIDADE FEDERAL DO PARÁ PRÓ-REITORIA DE PESQUISA E PÓS-GRADUAÇÃO DIRETORIA DE PESQUISA PROGRAMA INSTITUCIONAL DE BOLSAS DE INICIAÇÃO CIENTÍFICA
UNIVERSIDADE FEDERAL DO PARÁ PRÓ-REITORIA DE PESQUISA E PÓS-GRADUAÇÃO DIRETORIA DE PESQUISA PROGRAMA INSTITUCIONAL DE BOLSAS DE INICIAÇÃO CIENTÍFICA RELATÓRIO TÉCNICO CIENTÍFICO Período: Outubro/2015 a
SISTEMAS OPERACIONAIS. TÁSSIO JOSÉ GONÇALVES GOMES
SISTEMAS OPERACIONAIS TÁSSIO JOSÉ GONÇALVES GOMES www.tassiogoncalves.com.br tassiogoncalvesg@gmail.com CONTEÚDO - FUNDAMENTOS Sistema de computação Buffering Spooling DMA (Acesso direto a memória) Hierarquia
Segmentação e Classificação. Prof. Herondino
Segmentação e Classificação Prof. Herondino Segmentação Neste processo, divide-se a imagem em regiões que devem corresponder às áreas de interesse da aplicação. Entende-se por regiões um conjunto de "pixels"
CLASSIFICAÇÃO DE PADRÕES EM IMAGENS UTILIZANDO DESCRITORES DE TEXTURA Pattern Classification in Images Using Descriptors of Texture
CLASSIFICAÇÃO DE PADRÕES EM IMAGENS UTILIZANDO DESCRITORES DE TEXTURA Pattern Classification in Images Using Descriptors of Texture 1 e Sandro Roberto Fernandes 2 Resumo: Nesta pesquisa foi desenvolvido
Universidade Estadual de Maringá/Departamento de Informática Maringá, PR. Ciências Exatas e da Terra / Metodologia e Técnicas da Computação.
TESTES E EXPERIMENTOS COM APLICAÇÕES PARALELAS EM CLUSTERS DE COMPUTADORES SUN: PROCESSAMENTO DE IMAGENS GEOGRÁFICAS Carlos Roberto Santos de Oliveira Júnior (PIBIC/CNPq-UEM), Henrique Yoshikazu Shishido
Descritores de Imagens
Descritores de Imagens André Tavares da Silva PPGCA/UDESC Outubro de 2017 André Tavares da Silva (PPGCA/UDESC) Descritores de Imagens Outubro de 2017 1 / 17 Introdução Excelentes pesquisas sobre descritores
5 Estudo de Caso e Resultados
5 Estudo de Caso e Resultados 5.1. Introdução Finalizado o desenvolvimento da ferramenta, é indispensável testar suas funcionalidades e a eficácia da aplicação conjunta dos seus módulos de geração de experimentos
Um Calculador de Capacidade de Computação para Nós de Máquinas Virtuais LAM/MPI
Um Calculador de Capacidade de Computação para Nós de Máquinas Virtuais LAM/MPI Diego Luis Kreutz 1 Lucas Mello Schnorr 2 Cleverton Marlon Possani 3 Resumo Este texto apresenta um calculador de capacidade
DETERMINAÇÃO DE FUNÇÕES DE TRANSFERÊNCIA DE PROCESSOS QUÍMICOS ATRAVÉS DO MÉTODO DE EVOLUÇÃO DIFERENCIAL UTILIZANDO O SCILAB
DETERMINAÇÃO DE FUNÇÕES DE TRANSFERÊNCIA DE PROCESSOS QUÍMICOS ATRAVÉS DO MÉTODO DE EVOLUÇÃO DIFERENCIAL UTILIZANDO O SCILAB A. H. R. REZENDE 1, D. L. SOUZA 1 1 Universidade Federal do Triângulo Mineiro,
3 Computação de Propósito Geral em Unidades de Processamento Gráfico
3 Computação de Propósito Geral em Unidades de Processamento Gráfico As Unidades de Processamento Gráfico (GPUs) foram originalmente desenvolvidas para o processamento de gráficos e eram difíceis de programar.
PROGRAMA DE ENSINO. 3 quadrimestre Área de Concentração AQUISIÇÃO, ANÁLISE E REPRESENTAÇÃO DE INFORMAÇÕES ESPACIAIS
PROGRAMA DE ENSINO Disciplina ANÁLISE DE IMAGENS MULTIESPECTRAIS Código Semestre Ano Letivo 3 quadrimestre 2018 Área de Concentração AQUISIÇÃO, ANÁLISE E REPRESENTAÇÃO DE INFORMAÇÕES ESPACIAIS Curso: MESTRADO
Interpretação Baseada em Conhecimento de Imagens de Sensores Remotos de Alta Resolução
Thiago Broerman Cazes Interpretação Baseada em Conhecimento de Imagens de Sensores Remotos de Alta Resolução Dissertação de Mestrado Dissertação apresentada ao Programa de Pósgraduação em Engenharia Elétrica
Desenvolvimento de um algoritmo otimizado para correção de distorção panorâmica em imagens do sensor MODIS.
Desenvolvimento de um algoritmo otimizado para correção de distorção panorâmica em imagens do sensor MODIS. Etore Marcari Junior Frederico dos Santos Liporace Gisplan Tecnologia da Geoinformação Ltda.
Instituto de Matemática e Estatística - USP MAC Organização de Computadores EP1. Experimentos com o cache. Tiago Andrade Togores
Instituto de Matemática e Estatística - USP MAC0412 - Organização de Computadores EP1 Experimentos com o cache Tiago Andrade Togores - 6514230 30 de setembro de 2010 Sumário 1 Introdução 2 1.1 O que é
INE5645-Programação Paralela e Distribuída Aula 17/09/2018 Nome
INE5645-Programação Paralela e Distribuída Aula 17/09/2018 Nome Para paralelizar códigos de programas, tudo que necessitamos é de uma construção sintática denominada kernel. Seja o kernel: kernel void
5 Resultados Experimentais
5 Resultados Experimentais Neste capítulo são apresentados os resultados dos experimentos elaborados para validar a linha de produção gráfica distribuída e os algoritmos propostos para melhorar o desempenho
30/5/2011. Sistemas computacionais para processamento paralelo e distribuído
Arquitetura de Computadores Sistemas computacionais para processamento paralelo e distribuído Prof. Marcos Quinet Universidade Federal Fluminense UFF Pólo Universitário de Rio das Ostras - PURO Processamento
Comparação dos algoritmos sequencial e paralelo para contagem de palavras e contexto
Comparação dos algoritmos sequencial e paralelo para contagem de palavras e contexto Eduardo Delazeri Ferreira, Francieli Zanon Boito, Aline Villavicencio 1. Introdução 1 Instituto de Informática - Universidade
Paralelismo de dados. (execução de simultaneidade) Tipo de arquitetura paralela SIMD. SIMD (Single Instruction Multiple Data)
Paralelismo de dados (execução de simultaneidade) Em métodos tradicionais de programação (processamento sequencial), uma grande quantidade de dados é processada em um único núcleo de uma CPU, enquanto
Suporte à Execução Eficiente de Aplicações em Plataformas com Paralelismo Multi-Nível
Suporte à Execução Eficiente de Aplicações em Plataformas com Paralelismo Multi-Nível Vinícius Garcia Pinto Lucas Mello Schnorr Nicolas Maillard Grupo de Processamento Paralelo e Distribuído (GPPD) Instituto
PROCESSADORES Unidade de Controle Unidade Aritmética e Lógica efetua memória de alta velocidade registradores Program Counter Instruction Register
PROCESSADORES Um computador digital consiste em um sistema interconectado de processadores, memória e dispositivos de entrada e saída. A CPU é o cérebro do computador. Sua função é executar programas armazenados
Processos O conceito de processos é fundamental para a implementação de um sistema multiprogramável. De uma maneira geral, um processo pode ser entend
Concorrência Nos sistemas Monoprogramáveis somente um programa pode estar em execução por vez, permanecendo o processador dedicado a esta única tarefa. Os recursos como memória, processador e dispositivos
de Pós-Graduação em Engenharia Elétrica Engenharia Elétrica.
Patrick Nigri Happ Tese T de doutorado Tese apresentada ao Programa de Pós-Graduação em Engenharia Elétrica da PUC-Rio do título de Doutor em comoo requisito parcial para obtençãoo Engenharia Elétrica.