$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

모바일 GPU 기반의 고속 3차원 공간 정보 취득 기술 원문보기

방송과 미디어 = Broadcasting and media magazine, v.26 no.4, 2021년, pp.48 - 60  

정태현 (인하대학교) ,  박준형 (인하대학교) ,  박인규 (인하대학교)

초록
AI-Helper 아이콘AI-Helper

복잡한 알고리즘을 요구하는 3차원 공간 정보 취득 기술은 대부분 고성능의 하드웨어를 필요로 한다. 그러나 최근 스마트폰과 같은 모바일 플랫폼의 성능이 급격히 발전하면서 기존 알고리즘을 가속화해 온 디바이스로 이식하는 연구가 증가하고 있다. 이러한 추세에 따라 본 기고문은 플랫폼 제한 없는 GPU 병렬처리 프레임워크 OpenCL을 활용한 3차원 공간 정보 취득 기술의 가속화 방법을 소개하고자 한다. 본 고의 구성은 다음과 같다. 먼저 모바일 GPU 환경에서의 OpenCL 최적화 방법을 살펴본다. 이후 고전적인 기하학 기반의 스테레오 정합 알고리즘을 가속화한 방법을 소개한다. 마지막으로는 심층 신경망 네트워크와 가속화된 고전적 스테레오 알고리즘을 결합한 온 디바이스 친화적인 융합 알고리즘을 소개한다.

참고문헌 (27)

  1. Caffe-HRT, https://github.com/OAID/Caffe-HRT 

  2. ARM Compute Library, https://developer.arm.com/ 

  3. PyTorch Mobile, https://pytorch.org/mobile/home/ 

  4. PyOpenCL, https://pypi.org/project/pyopencl/ 

  5. The Middlebury Computer Vision Pages, http://vision.middlebury.edu/mview/ 

  6. J. Y. Chang, H. S. Park, I. K. Park, K. M. Lee, and S. U. Lee, "GPU-Friendly Multi-View Stereo Reconstruction Using Surfel Representation and Graph Cuts," Computer Vision and Image Understanding, vol. 115, no. 5, pp. 620-34, 2011. 

    상세보기 crossref

  7. D. Gallup, J. M. Frahm, P. Mordohai, Q. Yang, and M. Pollefeys, "Real-Time Plane-Sweeping Stereo with Multiple Sweeping Directions," Proc. IEEE Conference on Computer Vision and Pattern Recognition, pp. 1-8, 2007. 

  8. H. Hirschmuller, "Stereo Processing by Semiglobal Matching and Mutual Information," IEEE Trans. on Pattern Analysis and Machine Intelligence 30, no. 2, pp. 328-341, 2007. 

    상세보기 crossref

  9. S. H. Im, H. G. Jeon, S. Lin, and I. S. Kweon, "DPSNet: End-to-End Deep Plane Sweep Stereo," Proc. International Conference on Learning Representations, 2019. 

  10. A. Ivan, and I. K Park, "A Flexible and Configurable GPGPU Stereo Matching Framework," Multimedia Tools and Applications, vol. 79, no. 25, pp. 18367-86, 2020. 

    상세보기 crossref

  11. M. Jaderberg, K. Simonyan, and A. Zisserman, "Spatial Transformer Networks," Proc. Advances in Neural Information Processing Systems, vol. 28, pp. 2017-25, 2015. 

  12. Y. B. Jeon, and I. K. Park, "Deep Neural Network for Handcrafted Cost-Based Multi-View Stereo," Proc. International Workshop on Advanced Imaging Technology, 2021. 

  13. Z. Ma, K. He, Y. Wei, J. Sun, and E. Wu, "Constant Time Weighted Median Filtering for Stereo Matching and Beyond," Proc. IEEE International Conference on Computer Vision, 2013. 

  14. A. Munshi, B. Gaster, T. G. Mattson, and D. Ginsburg, OpenCL Programming Guide. Pearson Education, 2011. 

  15. I. K. Park, Nitin Singhal, M. H. Lee, S. D. Cho, and Chris Kim, "Design and Performance Evaluation of Image Processing Algorithms on GPUs," IEEE Trans. on Parallel and Distributed Systems, vol. 22, no. 1, pp. 91-104, 2010. 

    상세보기 crossref

  16. D. Scharstein, H. Hirschmuller, Y. Kitajima, G. Krathwohl, N. Nesic, X. Wang, and P. Westling, "High-Resolution Stereo Datasets with Subpixel-Accurate Ground Truth," Proc. German Conference on Pattern Recognition, 2014. 

  17. D. Scharstein, and R. Szeliski, "High-Accuracy Stereo Depth Maps Using Structured Light," Proc. IEEE Conference on Computer Vision and Pattern Recognition, 2003. 

  18. D. Scharstein, and R. Szeliski, "A Taxonomy and Evaluation of Dense Two-Frame Stereo Correspondence Algorithms," International journal of computer vision, vol. 47, no. 1, pp. 7-42, 2002. 

    crossref

  19. S. M. Seitz, B. Curless, J. Diebel, D. Scharstein, and R. Szeliski, "A Comparison and Evaluation of Multi-View Stereo Reconstruction Algorithms," Proc. IEEE Conference on Computer Vision and Pattern Recognition, 2006. 

  20. J. E. Stone, D. Gohara, and G. Shi, "OpenCL: A Parallel Programming Standard for Heterogeneous Computing Systems," Computing in Science & Engineering, vol. 12, no. 3, pp. 66, 2020. 

  21. B. Ummenhofer, H. Zhou, J. Uhrig, N. Mayer, E. Ilg, A. Dosovitskiy, and T. Brox, "DeMoN: Depth and Motion Network for Learning Monocular Stereo," Proc. IEEE Conference on Computer Vision and Pattern Recognition, 2017. 

  22. Q. Yang, L. Wang, R. Yang, S. Wang, M. Liao, and D. Nister, "Real-Time Global Stereo Matching Using Hierarchical Belief Propagation," Proc. British Machine Vision Conference, 2006. 

  23. Y. Yao, Z. Luo, S. Li, T. Fang, and L. Quan, "MVSNet: Depth Inference for Unstructured Multi-View Stereo," Proc. European Conference on Computer Vision, 2018. 

  24. K. J. Yoon and I. S. Kweon, "Adaptive Support-Weight Approach for Correspondence Search," IEEE Trans. on pattern analysis and machine intelligence, vol. 28, no. 4, pp. 650-56, 2006. 

    상세보기 crossref

  25. R. Zabih and J. Woodfill, "Non-Parametric Local Transforms for Computing Visual Correspondence," Proc. European Conference on Computer Vision, 1994. 

  26. 박준형, 박인규, "온 디바이스 얼굴 라이트필드 합성 시스템," 전자공학회 논문지, vol. 58, no. 5, pp. 68-75, 2021년 5월. 

  27. 전윤배, 박인규, "임베디드 GPU 에서의 병렬처리를 이용한 모바일 기기에서의 다중뷰 스테레오 정합," 방송공학회논문지, vol. 24, no. 6, pp. 1064-71, 2019년 11월. 

    원문보기 상세보기 crossref

저자의 다른 논문 :

관련 콘텐츠

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로