論文の概要: Increased performance in DDM analysis by calculating structure functions
through Fourier transform in time
- arxiv url: http://arxiv.org/abs/2012.05695v1
- Date: Wed, 2 Dec 2020 21:12:45 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-30 00:24:58.655996
- Title: Increased performance in DDM analysis by calculating structure functions
through Fourier transform in time
- Title（参考訳）: フーリエ変換による構造関数の時間計算によるddm解析の性能向上
- Authors: M. Norouzisadeh, G. Cerchiari and F. Croccolo
- Abstract要約: 微分動的顕微鏡解析法により,画像の集合を効率的に処理するアルゴリズムを提案する。
新しい実装では、信号の違いを発生させる代わりに、追加のフーリエ変換により、DDM解析を高速に計算する。
GPUハードウェアアクセラレーションがなければ、同じ画像に対して、新しいアルゴリズムは、どちらもCPU上でのみ実行される旧アルゴリズムよりも300倍高速であることがわかった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Differential Dynamic Microscopy (DDM) is the combination of optical
microscopy to statistical analysis to obtain information about the dynamical
behaviour of a variety of samples spanning from soft matter physics to biology.
In DDM, the dynamical evolution of the samples is investigated separately at
different length scales and extracted from a set of images recorded at
different times. A specific result of interest is the structure function that
can be computed via spatial Fourier transforms and differences of signals. In
this work, we present an algorithm to efficiently process a set of images
according to the DDM analysis scheme. We bench-marked the new approach against
the state-of-the-art algorithm reported in previous work. The new
implementation computes the DDM analysis faster, thanks to an additional
Fourier transform in time instead of performing differences of signals. This
allows obtaining very fast analysis also in CPU based machine. In order to test
the new code, we performed the DDM analysis over sets of more than 1000 images
with and without the help of GPU hardware acceleration. As an example, for
images of $512 \times 512$ pixels, the new algorithm is 10 times faster than
the previous GPU code. Without GPU hardware acceleration and for the same set
of images, we found that the new algorithm is 300 faster than the old one both
running only on the CPU.
- Abstract（参考訳）: 微分動的顕微鏡 (ddm) は、ソフトマター物理学から生物学まで幅広いサンプルの動的挙動に関する情報を得るために、光学顕微鏡と統計解析の組み合わせである。
DDMでは、試料の動的進化を異なる長さのスケールで別々に調べ、異なる時間に記録された一連の画像から抽出する。
興味深い結果の1つは、空間フーリエ変換と信号の差によって計算できる構造関数である。
本研究では,DDM解析方式に従って,画像の集合を効率的に処理するアルゴリズムを提案する。
前回の研究で報告された最先端のアルゴリズムに対する新しいアプローチをベンチマークした。
新しい実装では、信号の違いを発生させる代わりに、追加のフーリエ変換により、DDM解析を高速に計算する。
これにより、CPUベースのマシンでも非常に高速な解析が可能になる。
新しいコードをテストするために、我々は、gpuハードウェアアクセラレーションの助けなしに、1000以上のイメージのセットでddm分析を行いました。
例えば、512 \times 512$ピクセルの画像の場合、新しいアルゴリズムは以前のGPUコードより10倍高速である。
GPUハードウェアアクセラレーションがなければ、同じ画像に対して、新しいアルゴリズムは、どちらもCPU上でのみ実行される旧アルゴリズムよりも300倍高速であることがわかった。
関連論文リスト
- Batch-FPM: Random batch-update multi-parameter physical Fourier ptychography neural network [0.933064392528114]
Fourier Ptychographic Microscopy (FPM) は、大規模視野での高解像度イメージングを可能にする計算イメージング技術である。
本稿では,バッチ更新勾配勾配(SGD)最適化戦略を用いた物理ニューラルネットワークに基づく高速かつ堅牢なFPM再構成手法を提案する。
本手法は,低露光時間暗視野画像などの低信号対雑音比データセットに対しても,コンバージェンス性能が向上する。
論文 参考訳（メタデータ） (2024-08-25T09:24:18Z) - Cache Me if You Can: Accelerating Diffusion Models through Block Caching [67.54820800003375]
画像間の大規模なネットワークは、ランダムノイズから画像を反復的に洗練するために、何度も適用されなければならない。
ネットワーク内のレイヤの振る舞いを調査し,1) レイヤの出力が経時的にスムーズに変化すること,2) レイヤが異なる変更パターンを示すこと,3) ステップからステップへの変更が非常に小さいこと,などが分かる。
本稿では,各ブロックの時間経過変化に基づいて,キャッシュスケジュールを自動的に決定する手法を提案する。
論文 参考訳（メタデータ） (2023-12-06T00:51:38Z) - INR-Arch: A Dataflow Architecture and Compiler for Arbitrary-Order
Gradient Computations in Implicit Neural Representation Processing [66.00729477511219]
計算グラフとして表される関数を考えると、従来のアーキテクチャはn階勾配を効率的に計算する上で困難に直面している。
InR-Archは,n階勾配の計算グラフをハードウェア最適化データフローアーキテクチャに変換するフレームワークである。
1.8-4.8x と 1.5-3.6x の高速化を CPU と GPU のベースラインと比較した結果を示す。
論文 参考訳（メタデータ） (2023-08-11T04:24:39Z) - Decoupled Diffusion Models: Simultaneous Image to Zero and Zero to Noise [53.04220377034574]
10機能未満の高画質(未条件)の画像生成のためのデカップリング拡散モデル(DDM)を提案する。
我々は,1) 画像から0遷移までをモデル化した解析的遷移確率に基づいて, 学習目標と(2) サンプリング式を逆時間に導出する。
1)無条件画像生成, CIFAR-10, CelebA-HQ-256, 2)超解像, 塩分検出, エッジ検出, 画像入力などの下流処理, テキスト処理, テキスト処理, テキスト処理, テキスト処理, 画像処理, 画像処理などと比較して, 非常に競争力のある性能が得られる。
論文 参考訳（メタデータ） (2023-06-23T18:08:00Z) - UHD Image Deblurring via Multi-scale Cubic-Mixer [12.402054374952485]
トランスフォーマーベースのアルゴリズムは、画像劣化の領域に飛び散っている。
これらのアルゴリズムはトークン間の長距離依存関係をモデル化するためにCNNステムによる自己保持機構に依存する。
論文 参考訳（メタデータ） (2022-06-08T05:04:43Z) - A modular software framework for the design and implementation of
ptychography algorithms [55.41644538483948]
我々は,Pychographyデータセットをシミュレートし,最先端の再構築アルゴリズムをテストすることを目的とした,新しいptychographyソフトウェアフレームワークであるSciComを紹介する。
その単純さにもかかわらず、ソフトウェアはPyTorchインターフェースによる高速化処理を利用する。
結果は合成データと実データの両方で示される。
論文 参考訳（メタデータ） (2022-05-06T16:32:37Z) - GPU optimization of the 3D Scale-invariant Feature Transform Algorithm
and a Novel BRIEF-inspired 3D Fast Descriptor [5.1537294207900715]
本研究は,大規模な医用画像データからの機械学習を目的として,SIFTアルゴリズムの高効率実装について述べる。
3D SIFTコードの主要な操作は、畳み込み、サブサンプリング、スケールスペースピラミッドからの4Dピーク検出を含むグラフィックス処理ユニット(GPU)上に実装されている。
パフォーマンス改善は、異なる人の3D MRI人間の脳量を用いて、キーポイント検出と画像と画像のマッチング実験で定量化される。
論文 参考訳（メタデータ） (2021-12-19T20:56:40Z) - Parallel Discrete Convolutions on Adaptive Particle Representations of
Images [2.362412515574206]
適応粒子表現上の離散畳み込み演算子のネイティブ実装のためのデータ構造とアルゴリズムを提案する。
APRは、サンプリング解像度を画像信号に局所的に適応するコンテンツ適応型画像表現である。
APRの畳み込みは、マルチコアCPUとGPUアーキテクチャを効率的に並列化するスケール適応アルゴリズムを自然に導くことを示す。
論文 参考訳（メタデータ） (2021-12-07T09:40:05Z) - Deep ensembles based on Stochastic Activation Selection for Polyp
Segmentation [82.61182037130406]
本研究は,大腸内視鏡検査における画像分割,特に正確なポリープ検出とセグメンテーションを扱う。
イメージセグメンテーションの基本アーキテクチャはエンコーダとデコーダで構成されている。
我々はデコーダのバックボーンを変更することで得られるDeepLabアーキテクチャのバリエーションを比較した。
論文 参考訳（メタデータ） (2021-04-02T02:07:37Z) - Powers of layers for image-to-image translation [60.5529622990682]
本稿では,未ペア画像から画像への変換タスクに対処するシンプルなアーキテクチャを提案する。
固定重み付きイメージオートエンコーダアーキテクチャから始める。
各タスクに対して、潜在空間で動作している残留ブロックを学習し、ターゲット領域に到達するまで繰り返し呼び出される。
論文 参考訳（メタデータ） (2020-08-13T09:02:17Z) - Parallel 3DPIFCM Algorithm for Noisy Brain MRI Images [3.3946853660795884]
本稿では,GPUを用いて並列環境で3DPIFCMと呼ばれる[1]で開発したアルゴリズムについて述べる。
この結果から,並列バージョンはGAIFCMアルゴリズムより最大27倍高速,GAIFCMアルゴリズムより68倍高速であることがわかった。
論文 参考訳（メタデータ） (2020-02-05T20:30:29Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。