C++性能优化系列——3D高斯核卷积计算题目

最新推荐文章于 2022-03-31 10:34:48 发布
最新推荐文章于 2022-03-31 10:34:48 发布
阅读量374 收藏
点赞数
分类专栏： 性能调优汇总
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/yan31415/article/details/108199557
版权

计划写一个优化3D高斯核卷积计算的系列博客。3D高斯核卷积计算的需求来自于公司配准算法需求，与Intel联合举办的性能优化竞赛，这里展示题目信息。

题目

题目三3D卷积(相关)操作 （20分）
【场景和性能问题描述】
背景：在图像处理中，卷积（滤波）是一个基本、常用的操作，很多图像处理方法都要用到，但是卷积是非常耗时的操作，尤其是在卷积核比较大、图像比较大(3D)的情况。当前XXX配准35%时间用在高斯卷积上，所以对它进行性能研究有实际价值。
题目：对一个432 * 432 * 457的图像做3D高斯卷积，卷积核大小为31 * 31 * 31。
【要求】
1.不限GPU、CPU。不能调用直接的库函数一步搞定，需要提供设计思路。
2.CPU类方法需要首先使用Intel性能评估工具，找到性能瓶颈，设计优化方案。
3.对于最终代码，也需使用此工具，评估性能。
【评分标准】
1.结果可复现，正确，显存/内存占用不能超过体数据的3倍，平均时间不得超过1s。
2.GPU类方法不考虑原始数据分配及传输到显存时间
3.为平衡GPU硬件优势，CPU类方法计时基础上减 500ms
4.CPU类方法需要使用Intel性能评估工具，评估性能
友情提示：既然是算法优化，首先从算法优化着手，直接硬件加速不一定取得最优结果

USST_Coder
关注
专栏目录
【图像超分】论文精读：Image Super-Resolution Using Deep Convolutional Networks（SRCNN）
畅游计算机视觉的海洋
03-11 1万+
我们提出了一种用于单幅图像超分辨率(SR)的深度学习方法。我们的方法直接学习低/高分辨率图像之间的端到端映射。该映射被表示为深度卷积神经网络(CNN)，它以低分辨率图像为输入，输出高分辨率图像。我们进一步表明，传统的基于稀疏编码的 SR 方法也可以被视为深度卷积网络。但是与单独处理每个组件的传统方法不同，我们的方法联合优化所有层。我们的深度 CNN 具有轻量级结构，但展示了最先进的恢复质量，并实现了实际在线使用的快速速度。我们探索了不同的网络结构和参数设置，以实现性能和速度之间的权衡。此外，我们扩展了我们的
【图像超分】论文精读：Accelerating the Super-Resolution Convolutional Neural Network（FSRCNN）
最新发布
畅游计算机视觉的海洋
03-12 1万+
作为应用于图像超分辨率 (SR) 的成功深度模型，超分辨率卷积神经网络 (SRCNN) [1,2] 在速度和恢复质量方面都比以前的手工制作的模型表现出更好的性能。然而，高计算成本仍然阻碍了它的实际使用，这需要实时性能（24 fps）。在本文中，我们旨在加速当前的 SRCNN，并提出了一种紧凑的沙漏形 CNN 结构，以实现更快和更好的 SR。我们从两个方面重新设计了SRCNN结构。首先，我们在网络末端引入了一个反卷积层，然后将映射直接从原始低分辨率图像（无插值）学习到高分辨率图像。其次，我们通过在映射之前缩小
C++实现卷积
08-31
一个用C++实现时域卷积的代码，编译可以运行，可以参考看看
C++性能优化系列——3D高斯核卷积计算(二)FMA向量化计算一维卷积
yan31415的博客
08-21 2269
高斯核的卷积计算是可分离的，即高斯核的每一个维度可以分开处理。因此，一维卷积计算成为了实现3D高斯卷积的基础。一维卷积计算的性能直接影响了整个程序的性能。本篇将实现一维卷积功能，同时引出ICC编译器对多层嵌套循环场景的向量化优化倾向的调查结果。 公用函数 这里为了增加结果的稳定性，重复执行 #define CONVREPEAT 100000 测试函数 int TestConv1D(int index) { const int SRCSize = 432; const int KERNELSize
C++ 三种卷积方法实现
07-06
算法思想一：参照 http://wenku.baidu.com/view/aa110412a21614791711282a.html 算法思想二：参照 http://wenku.baidu.com/link?url=b1PwOhUSBhwyJee43jUOyOG45-woddl-nO6bt7LHLmlUbJu8ZQ3fGXpxARNxF5-Pa_H8vrCg6xRhllM_LSvU19OG80U0kMQbiTWO-3StUSu 算法思想三：公式 z(i,j)=∑ ∑x(m,n)y(i-m,j-n)
高斯卷积模板(高斯函数)Matlab代码
07-28
高斯卷积模板(高斯函数)Matlab代码，可实现二维高斯卷积模板的生成功能。M文件，可用记事本打开。
convnet：C ++中卷积神经网络的GPU实现
03-03
欢迎使用ConvNet。 ConvNet是卷积神经网络的一种基于C ++的快速GPU实现。 支持多GPU架构（多GPU，单机）。 提供仅基于CPU的快速功能提取器。 安装 [安装指南]（ ） 预训练模型 提供了用于训练和特征提取的预训练模型和示例，以用于 讲解 快来了。 文献资料
OpenCV4学习笔记（29）——图像的各种形态学操作
邱小兵的博客
03-18 1317
今天要整理的笔记内容是关于图像形态学的操作。 图像形态学，也叫做数学形态学（Mathematical morphology） 是一门建立在格论和拓扑学基础之上的图像分析学科，是数学形态学图像处理的基本理论，在图像处理中占有相当重要的地位。 在图像处理中，对于图像形态学的应用相当的广泛，主要应用在对于图像的预处理操作当中，尤其是在对二值图像的预处理和分析方面，图像形态学是二值图像分析的重要分支学科。...
精心整理2万字c++知识点
WangXinyu_090926的博客
11-30 4779
制作不易，求一键三连~ 文章目录1、基本数据结构数组链表队列、单调队列、双端队列栈2、中极数据结构堆并查集与带权并查集hash表自然溢出双hash3、高级数据结构树状数组线段树及其合并Zkw线段树Fhq线树超哥线段树平衡树Treap随机平衡二叉树Splay伸展树Scapegoat Tree替罪羊树后缀平衡树块状数组、块状链表树套树线段树套线段树线段树套平衡树平衡树套线段树可并堆左偏树配对堆KDTree、四分树舞蹈链（DLX）、二进制分组划分树4、可持久化数据结构可持久化线段树（主席树）可持久化平衡树可持久化
机器视觉及图像分类
Ycaid的博客
02-11 2942
机器视觉及图像分类 撰写本科毕业论文前期文献准备 扩大课题在知乎上查相关的文献并且下载，之后导入Endnote里面，如果下的是CAJ文件的话，需要再下载一个CAJViewer阅读器。 因为是第一次看论文。但每篇都做了相关的笔记。看完30多偏后，对自己的课题有了一个总体的框架，并且和导师聊了下后续的进展。 分享一下自己做的笔记 长文警告： （1） 一种机器视觉的书籍类整理识别系统设计 知识点； VS、open cv 机器视觉及图像处理 彼长于分类，亦即如猫、狗、茄子、香蕉、飞机、自行车等物体之检测、分类，短
卷积在GPU上的实现
smartcat2010的博客
11-21 770
​​​​​​【卷积加速】深度学习卷积算法的GPU加速实现方法_cbd_2012的博客-CSDN博客（Caffe）卷积的实现_沤江一流的专栏-CSDN博客_caffe卷积实现C​​​​​​​C Caffe是将feature map和kernel都展开成矩阵，使用矩阵成法来做的 ...
一个用GPU写的一维卷积
m0_38036750的博客
08-18 790
代码说明: 本次代码采用GPU运算一维卷积.其中你需要输入两个数据,第一个是n是一位数据长度,一个是m卷积因子长度,代码会随机生成两个数组用于计算卷积. 代码思路:在CPU中生成数据复制到GPU中,其中GPU有两个函数,一个是__global__ void juanji(int *d_a,int *d_b,int *d_c,int *d_data,int n, int m),这个函数就是核函数...
《初学计算机组成原理之CPU的性能》
oyx的博客
03-31 2258
CPU的性能 文章目录CPU的性能前言一、CPU性能度量二、CPU性能公式CPU时间=指令数* CPI * 时钟周期时间=CPU的时钟周期数* 时钟周期时间例题总结 前言 本篇是本人初学《计算机组成与设计：硬件/软件接口》的第一部分有关CPU性能的一些总结，仅供本人学习记录用，若有错漏欢迎指正~ 一、CPU性能度量 执行时间是唯一有效且不可推翻的性能度量方法。 二、CPU性能公式 CPU时间=指令数* CPI * 时钟周期时间 =CPU的时钟周期数* 时钟周期时间 CPU时间：一个程序在CPU中执行花费
C++性能优化系列——3D高斯核卷积计算(五)2D卷积分离计算
yan31415的博客
08-29 1492
高斯卷积核具有可分离的性质，因此可以通过以下方法计算二维高斯卷积：构造一个一维高斯卷积核，将原始二维矩阵分别以行主序与列主序，与一维卷积核做卷积计算，得到的结果就是目标二维高斯卷积的结果。本篇按照上述描述的思路实现了可分离的二维高斯卷积计算，并在此基础上对计算的过程分解与重构，挖掘实现的并行性。 基线版二维高斯卷积 为了让运行时间更加稳定，增加函数的执行次数至1000 #define CONV2DREPT 1000 这里对代码实现功能做一下简单的说明。原始矩阵维度432 * 432，维度定义为x和y。高斯
三维CNN：收集一些最近的3d卷积网络PointNet++
wishchinYang的专栏
03-22 1万+
受限于点云本身的无序性，不同设备在不同位置扫描物体所获得的数据不尽相同，数据难以通过端到端方法来处理；点云本身也面临数据缺失的问题，比如被扫描模型往往会被遮挡。 针对无序点云数据的深度学习方法研究，目前进展还相对缓慢。在 CVPR 2017 上，斯坦福大学提出的 PointNet 是第一种直接处理无序点云数据的深度神经网络。团队通过在每个点训练一个 MLP，把每个点投...
TEA论文阅读
qq_48939666的博客
11-09 931
1.时间建模 时间建模是视频中动作识别的关键，时间建模分为两个方面。 short-range motions:相邻帧之间的特征融合。 long-range aggregations：长时间序列的特征融合。 当前的方法以及缺点。 short-range motions 首先提取手工制作的光流，然后将其输入基于2D CNN的双流框架进行动作识别。 这样的双流架构分别处理每个流中的RGB图像和光流。光流的计算既耗时又需要存储。 空间和时间特征的学习是孤立的，并且仅在后期层执行融合。 .
理解3D CNN及3D卷积
热门推荐
Lavi的专栏
11-18 8万+
前言 这篇博客主要详细介绍3D CNN框架结构的计算过程，我们都知道3D CNN 在视频分类，动作识别等领域发挥着巨大的优势，前两个星期看了这篇文章：3D Convolutional Neural Networks for Human Action Recognition，打算用这个框架应用于动态表情识别，当时对这篇文章的3 D CNN各层maps的计算不怎么清楚，所以自己另外对3D CNN结构层...
图像处理中的卷积---2.高斯卷积
chushan89的专栏
11-26 1万+
经过上面一篇博文，介绍了卷积的意义。 那么图像处理中的卷积可以理解为（2D/3D）的函数卷积，也就是在某个移动窗口内的加权（权值由kernel给定）求和。 下面我们给出gaussian kernel做卷积的例子，另附MATLAB实现方法。 sigma = 3;% you can set the sigma yourself Wx = floor(3*sigma
3D卷积神经网络详解
qq_44289607的博客
03-15 2万+
1 3d卷积的官方详解 2 2D卷积与3D卷积 1）2D卷积 2D卷积：卷积核在输入图像的二维空间进行滑窗操作。 2D单通道卷积 对于2维卷积，一个3*3的卷积核，在单通道图像上进行卷积，得到输出的动图如下所示： 2D多通道卷积 在之前的2D单通道的例子中，我们在一张图像上使用卷积核进行扫描，得到一张特征图。这里的“被扫描图像”是一个通道，而非一张彩色图片。如果卷积核每扫描一个通道，就会得到一张特征图，那多通道的图像应该 被怎样扫...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值