Perfilado de rendimiento de FPS para múltiples arquitecturas computacionales usando el algoritmo de reducción de neblina DCP
Barra lateral del artículo
Contenido principal del artículo
Resumen
Este documento presenta una prueba de rendimiento creada para evaluar el desempeño de diferentes plataformas en la ejecución de un algoritmo de reducción de niebla basado en el “Dark Channel Prior” (DCP) [1]. El parámetro utilizado para la evaluación fue el número de cuadros por segundo (FPS, por sus siglas en inglés) que el dispositivo es capaz de procesar. Con esta herramienta se logra determinar aquellas arquitecturas que son aptas para ejecutar el algoritmo en tiempo real.
El ambiente de pruebas se ejecutó en cuatro plataformas, un Google Pixel 3a, una Raspberry Pi 3B+, una GPU de NVIDIA y un procesador Intel x86. Se usaron los siguientes kits de desarrollo de software (SDK, por sus siglas en inglés) según la plataforma: Android NDK, Yocto Poky, CUDA y la cadena de herramientas GCC.
La herramienta permitió recopilar, para cada plataforma, los FPS para distintos tamaños de imagen, con estos resultados se pueden escoger la arquitectura más idónea según el área de implementación (e.g., bajo consumo o HPC).
El ambiente de pruebas se ejecutó en cuatro plataformas, un Google Pixel 3a, una Raspberry Pi 3B+, una GPU de NVIDIA y un procesador Intel x86. Se usaron los siguientes kits de desarrollo de software (SDK, por sus siglas en inglés) según la plataforma: Android NDK, Yocto Poky, CUDA y la cadena de herramientas GCC.
La herramienta permitió recopilar, para cada plataforma, los FPS para distintos tamaños de imagen, con estos resultados se pueden escoger la arquitectura más idónea según el área de implementación (e.g., bajo consumo o HPC).
Detalles del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Los autores conservan los derechos de autor y ceden a la revista el derecho de la primera publicación y pueda editarlo, reproducirlo, distribuirlo, exhibirlo y comunicarlo en el país y en el extranjero mediante medios impresos y electrónicos. Asimismo, asumen el compromiso sobre cualquier litigio o reclamación relacionada con derechos de propiedad intelectual, exonerando de responsabilidad a la Editorial Tecnológica de Costa Rica. Además, se establece que los autores pueden realizar otros acuerdos contractuales independientes y adicionales para la distribución no exclusiva de la versión del artículo publicado en esta revista (p. ej., incluirlo en un repositorio institucional o publicarlo en un libro) siempre que indiquen claramente que el trabajo se publicó por primera vez en esta revista.
Citas
K. He, J. Suny X. Tang, “Single image haze removal using dark channel prior,” in 2009 IEEE Conference on Computer Vision and Pattern Recognition, 2009, pp. 1956–1963. DOI: 10.1109/CVPR.2009.5206515.
I. Gultepe, R. Tardif, S. C. Michaelides, J. Cermak, A. Bott, J. Bendix, M. D. M¨uller, M. Pagowski, B. Hansen, B. Ellrod, W. Jacobs, G. Tothy S. G. Cober, “Fog research: A review of past achievements and future perspectives,” in Pure and Applied Geophysics, vol. 164, 2007, pp. 1121–1159. DOI: https://doi.org/10.1007/s00024-007-0211-x.
How do weather events impact roads? [En línea]. Disponible: https://ops.fhwa.dot.gov/weather/q1 roadimpact.htm.
K. He, J. Sun y X. Tang, “Single image haze removal using dark channel prior,” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 33, no. 12, pp. 2341–2353, 2011. DOI: 10.1109/TPAMI.2010.168.
L. A. Chavarria-Zamora, S. Arriola-Valverdey R. Rimolo-Donadio, “Evaluation of fog reduction algorithms for photogrammetric applications in agriculture,” in 2018 IEEE International Work Conference on Bioinspired Intelligence (IWOBI), 2018, pp. 1–9. DOI: 10.1109/IWOBI.2018.8464186.
G. Harish Babu and N. Venkatram, “A survey on analysis and implementation of state-of-the-art haze removal techniques,” Journal of Visual Communication and Image Representation, vol. 72, p. 102 912, 2020, ISSN: 1047-3203. DOI: https://doi.org/10.1016/j.jvcir.2020.102912. [En línea]. Disponible: http://www.sciencedirect.com/science/article/pii/S1047320320301504.
T. Koga, A. Yasuda, S. Furukaway N. Suetake, “A simplified and fast dehazing processing suitable for embedded systems,” in 2018 International Symposium on Intelligent Signal Processing and Communication Systems (ISPACS), 2018, pp. 492–497. DOI: 10.1109/ISPACS.2018.8923385.
Y. Iwamoto, N. Hashimotoy Y. Chen, “Fast dark channel prior based haze removal from a single image,” in 2018 14th International Conference on Natural Computation, Fuzzy Systems and Knowledge Discovery (ICNC-FSKD), 2018, pp. 458–461. DOI:10.1109/FSKD.2018.8686854.
J. Perez, P. J. Sanz, M. Brysony S. B. Williams, “A benchmarking study on single image dehazing techniques for underwater autonomous vehicles,” in OCEANS 2017 - Aberdeen, 2017, pp. 1–9.
P. Soma and R. K. Jatoth, “Implementation of a novel, fast and efficient image de hazing algorithm on embedded hardware platforms,” Circuits, Systems, and Signal Processing, Aug. 2020. DOI: 10.1007 / s00034-020-01517-4. [En línea]. Disponible: http://dx.doi.org/10.1007/s00034-020-01517-4.