Accéder directement au contenu Accéder directement à la navigation
Thèse

Contribution à l'implémentation des algorithmes de vision avec parallélisme massif de données sur les architectures hétérogènes CPU/GPU

Résumé : Le mélange de gaussiennes (MoG) et l'acquisition comprimée (CS) sont deux algorithmes utilisés dans de nombreuses applications de traitement d'image et du son. Leur combinaison, CS-MoG, a été récemment utilisée pour la soustraction de fond dans des applications de détection des objets mobiles. Néanmoins, les implémentations de CS-MoG présentées dans la littérature ne profitent pas pleinement de l'évolution des architectures hétérogènes. Ces travaux de thèse proposent deux contributions pour l'implémentation efficace de CS-MoG sur architectures parallèles hétérogènes CPU/GPU. Ces dernières offrent de nos jours une grande flexibilité de programmation permettant d’optimiser les performances ainsi que l’efficacité énergétique.Notre première contribution consiste à offrir le meilleur compromis accélération-précision sur CPU et GPU. La seconde est la proposition d'une nouvelle approche adaptative de partitionnement de données permettant d'exploiter pleinement l'ensemble des CPUs-GPUs. Quelles que soient leurs performances relatives, cette approche, appelée Curseur de Distribution Optimale de Données (ODDC), vise à assurer un équilibrage automatique de la charge de calcul en estimant la proportion optimale des données qui doit être affectée à chaque processeur, en prenant en compte sa capacité de calcul.Cette approche met à jour ce partitionnement en ligne ce qui permet de prendre en compte toute influence de l'irrégularité du contenu des images traitées. En termes d’objets mobiles, nous ciblons principalement les véhicules dont la détection représente un ensemble de défis, mais afin de généraliser notre approche, nous testons également des scènes contenant d’autres types de cibles.Les résultats expérimentaux, sur différentes plateformes et jeux de données, montrent que la combinaison de nos deux contributions permet d'atteindre 98% des performances maximales possibles sur ces plateformes. Ces résultats peuvent être aussi bénéfiques pour d'autres algorithmes où les calculs s'effectuent d'une manière indépendante sur des petits grains de données.
Type de document :
Thèse
Liste complète des métadonnées

Littérature citée [194 références]  Voir  Masquer  Télécharger

https://tel.archives-ouvertes.fr/tel-02973751
Contributeur : Abes Star :  Contact
Soumis le : mercredi 21 octobre 2020 - 11:29:07
Dernière modification le : lundi 23 novembre 2020 - 08:01:04

Fichier

MABROUK_2020_archivage.pdf
Version validée par le jury (STAR)

Identifiants

  • HAL Id : tel-02973751, version 1

Collections

Citation

Lhoussein Mabrouk. Contribution à l'implémentation des algorithmes de vision avec parallélisme massif de données sur les architectures hétérogènes CPU/GPU. Traitement du signal et de l'image [eess.SP]. Université Grenoble Alpes [2020-..]; Université Cadi Ayyad (Marrakech, Maroc), 2020. Français. ⟨NNT : 2020GRALT009⟩. ⟨tel-02973751⟩

Partager

Métriques

Consultations de la notice

70

Téléchargements de fichiers

65