論文の概要: TRUCO: A Scalable Lock-Free Algorithm for Parallel Contour Extraction

• arxiv url: http://arxiv.org/abs/2610.37297v1
• Date: Tue, 27 Oct 2026 14:18:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.655319
• Title: TRUCO: A Scalable Lock-Free Algorithm for Parallel Contour Extraction
• Title（参考訳）: TRUCO:並列輪郭抽出のためのスケーラブルロックフリーアルゴリズム
• Abstract要約: TRUCOは、高速な幾何学的境界抽出のために設計されたロックフリー並列アルゴリズムである。 コンシューマおよびサーバグレードのCPU上で実施された合成および実世界のデータセットの実験結果は、TRUCOが既存のベースラインを大幅に上回っていることを示している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Transforming binary masks into geometric contours remains a critical step in many computer vision pipelines, particularly for post-processing high-resolution segmentation outputs. Yet, standard algorithms such as the Suzuki-Abe method are limited by their sequential nature and the overhead of building topological hierarchies. As modern applications transition to high-resolution imaging, there is a critical need for contour extraction that leverages multi-core CPU architectures without the complexity of tile stitching or heavy synchronization. This paper presents TRUCO (Threaded Raster Unrestricted Contour Ownership), a lock-free parallel algorithm designed for high-performance geometric boundary extraction. TRUCO introduces a start-point ownership rule, combined with a speculative tracing model, in which threads trace contours downward into adjacent regions and use an upward-termination logic to ensure each contour is processed exactly once. Experimental results on synthetic and real-world datasets, conducted on both consumer and server-grade CPUs, demonstrate that TRUCO significantly outperforms existing baselines. The method achieves speedups of over an order of magnitude compared to the industry standard while maintaining robust scalability on high-resolution scenes across diverse hardware architectures.
• Abstract（参考訳）: バイナリマスクを幾何学的輪郭に変換することは、特に高分解能セグメンテーション出力の処理後において、多くのコンピュータビジョンパイプラインにおいて重要なステップである。 しかし、鈴木阿部法のような標準アルゴリズムは、その逐次的性質と位相階層構築のオーバーヘッドによって制限されている。 現代のアプリケーションは高分解能イメージングに移行するため、タイル縫合や重同期の複雑さを伴わずにマルチコアCPUアーキテクチャを活用する輪郭抽出が不可欠である。 本稿では,TRUCO(Threaded Raster Unrestricted Contour Ownership)を提案する。 TRUCOはスタートポイントのオーナシップルールを導入し、投機的トレースモデルと組み合わせて、スレッドトレースの輪郭が隣接領域に下向きに移動し、上向きの終端論理を用いて各輪郭が正確に1度だけ処理されるようにする。 コンシューマおよびサーバグレードのCPU上で実施された合成および実世界のデータセットの実験結果は、TRUCOが既存のベースラインを大幅に上回っていることを示している。 本手法は,各種ハードウェアアーキテクチャの高解像度シーンにおける堅牢なスケーラビリティを維持しながら,業界標準に比べて1桁以上のスピードアップを実現する。

関連論文リスト

• Fine-Grain GPU Parallelization of the Generalized Partition Crossover for Large-Scale Traveling Salesman Problems [1.160208922584163]
  トラベリングセールスマン問題(TSP)はNPハード最適化問題の1つである。 提案手法は,結合したメモリレイアウト,ゴーストノード変換,連結ノード解析を用いて,GPXをグラフ並列問題として再構成する。 提案したGPUは、メモリオーバーヘッドを大幅に削減しつつ、48倍から625倍のスピードアップを実現する。
  論文  参考訳（メタデータ） (2026-08-21T15:42:05Z)
• Towards Deploying Optimistic Quantum Fourier Transforms: An Architecture-Algorithm Co-Design Study [0.0]
  我々は、再構成可能な中性原子ハードウェアのための表面コードフォールトトレラント実行モデルの下で、OQFT(Optimistic Quantum Fourier Transform)のアーキテクチャと設計の共設計について述べる。 本分析では, 資源推定の主要因として, 反応制限操作と需要を同定し, プリミティブベースアーキテクチャ研究のための一般化可能な基盤を確立する。
  論文  参考訳（メタデータ） (2026-05-14T18:11:04Z)
• cuRegOT: A GPU-Accelerated Solver for Entropic-Regularized Optimal Transport [8.189956090077677]
  cuRegOTは、エントロピー正規化OTに適した高性能GPUソルバである。 我々は、CPUボトルネックを軽減するために、アモータイズされたシンボリック分析戦略を含むアルゴリズムとアーキテクチャの最適化スイートを紹介する。 CuRegOTは、さまざまなベンチマークタスクで最先端のGPUベースのソルバよりも大幅にスピードアップする。
  論文  参考訳（メタデータ） (2026-05-09T08:27:39Z)
• LoGeR: Long-Context Geometric Reconstruction with Hybrid Memory [97.14005794889134]
  提案するLoGeRは,高密度な3次元再構成を,後最適化なしで極めて長いシーケンスに拡張する新しいアーキテクチャである。 LoGeRはビデオストリームをチャンクで処理し、高忠実度なチャンク内推論に強力な双方向の事前処理を活用する。 このメモリアーキテクチャにより、LoGeRは128フレームのシーケンスでトレーニングでき、推論中に数千フレームまで一般化できる。
  論文  参考訳（メタデータ） (2026-03-03T18:55:37Z)
• Rethinking Autoregressive Models for Lossless Image Compression via Hierarchical Parallelism and Progressive Adaptation [75.58269386927076]
  自己回帰(AR)モデルは、しばしば計算コストの禁止のために非現実的に除外される。 この研究は、階層的並列性とプログレッシブ適応に基づくフレームワークを導入して、このパラダイムを再考する。 各種データセット(自然,衛星,医療)の実験により,本手法が新たな最先端圧縮を実現することを確認した。
  論文  参考訳（メタデータ） (2025-11-14T06:27:58Z)
• Re-Densification Meets Cross-Scale Propagation: Real-Time Neural Compression of LiDAR Point Clouds [83.39320394656855]
  LiDARポイントクラウドは、様々なアプリケーションに基本的だが、高精度スキャンは、かなりのストレージと送信オーバーヘッドを発生させる。 既存の手法では、非順序の点を階層的なオクツリーやボクセル構造に変換して、密度から疎い予測符号化を行うのが一般的である。 筆者らのフレームワークは2つの軽量モジュールから構成されている。まず、Geometry Re-Densification Moduleがエンコードされたスパース幾何を再認識し、より密なスケールで特徴を抽出し、予測符号化のための特徴を再分離する。
  論文  参考訳（メタデータ） (2025-08-28T06:36:10Z)
• TCCT-Net: Two-Stream Network Architecture for Fast and Efficient Engagement Estimation via Behavioral Feature Signals [58.865901821451295]
  本稿では,新しい2ストリーム機能融合 "Tensor-Convolution and Convolution-Transformer Network" (TCCT-Net) アーキテクチャを提案する。 時間空間領域における意味のあるパターンをよりよく学習するために、ハイブリッド畳み込み変換器を統合する「CT」ストリームを設計する。 並行して、時間周波数領域からリッチなパターンを効率的に抽出するために、連続ウェーブレット変換(CWT)を用いて情報を2次元テンソル形式で表現する「TC」ストリームを導入する。
  論文  参考訳（メタデータ） (2024-04-15T06:01:48Z)
• Multi-Level Aggregation and Recursive Alignment Architecture for Efficient Parallel Inference Segmentation Network [18.47001817385548]
  セグメンテーションタスク用にカスタマイズされた並列推論ネットワークを提案する。 実時間速度を確保するために浅いバックボーンを使用し、モデル容量の削減と精度の向上のために3つのコアコンポーネントを提案する。 我々のフレームワークは、CityscapesとCamVidデータセットの最先端のリアルタイム手法よりも、速度と精度のバランスが良くなっている。
  論文  参考訳（メタデータ） (2024-02-03T22:51:17Z)

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。