针对多视觉任务中传输成本高、解码端计算压力大的问题,提出一种自适应可伸缩视频编码(adaptive scalable video coding,ASVC)传输框架,将视频分为语义层和背景层,分别传输语义和背景信息。此外,提出一种自适应压缩算法,构建了C4.5决策...针对多视觉任务中传输成本高、解码端计算压力大的问题,提出一种自适应可伸缩视频编码(adaptive scalable video coding,ASVC)传输框架,将视频分为语义层和背景层,分别传输语义和背景信息。此外,提出一种自适应压缩算法,构建了C4.5决策树模型分析网络环境对视频进行压缩的决策判定,并对帧序列进行光流分析,在保留变化显著的帧基础上引入插值机制保持图像的平滑性。仿真结果表明,ASVC方法在不同码率环境下表现更高的识别精准率,视频质量和传输效率的显著提升。展开更多
文摘顺序任务流(sequential task flow,STF)将对共享数据的访问表示为任务之间的依赖关系,STF运行时系统通过任务构造、依赖分析和任务依赖图(task dependence graph,TDG)生成、任务调度实现异步并行,这3个环节的开销直接影响并行程序的性能.目前以STF为核心的AceMesh运行时系统,在SW39000处理器上仅使用单主核构图、多从核执行的方式.然而,SW39000处理器离散访存性能较弱,细粒度任务构图离散访存增多,构图更容易成为瓶颈.对此,提出了一种利用多从核辅助主核进行构图的算法.首先,分析在依赖分析和TDG生成过程中的并行性,在SW39000处理器上实现了一种基于胖任务依赖图(fatTDG)的多核辅助并行构图算法PFBH(parallelized fatTDG building algorithm with helpers)并进行优化.其次,针对线程间的主存资源竞争问题,提出构图与执行并行中从核资源调节方法及参数选择.最终,在5类典型应用下进行实验测试.与单核串行构图系统相比,在细粒度任务场景下最高加速为1.75倍;与SW39000处理器上的OpenACC模型相比,AceMesh最高可达2倍加速.
文摘针对多视觉任务中传输成本高、解码端计算压力大的问题,提出一种自适应可伸缩视频编码(adaptive scalable video coding,ASVC)传输框架,将视频分为语义层和背景层,分别传输语义和背景信息。此外,提出一种自适应压缩算法,构建了C4.5决策树模型分析网络环境对视频进行压缩的决策判定,并对帧序列进行光流分析,在保留变化显著的帧基础上引入插值机制保持图像的平滑性。仿真结果表明,ASVC方法在不同码率环境下表现更高的识别精准率,视频质量和传输效率的显著提升。
