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

• arxiv url: http://arxiv.org/abs/2610.37297v2
• Date: Sun, 01 Nov 2026 14:05:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-04 02:41:44.91017
• 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: 本稿では,スズキの出力を正確に返す幾何学的マルチコアアルゴリズムであるTRUCOについて述べる。 本研究では, スズキ・アベの出力が決定論的かつ同一であること, アルゴリズムがデータ競合を含まないことを証明した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Extracting closed pixel contours from a binary image, together with the hierarchy that records which contours enclose which, is a basic step in many computer vision pipelines, from fiducial marker detection to the vectorization of segmentation masks. The reference algorithm, by Suzuki and Abe, is inherently sequential: each contour is found by a raster scan that depends on the labels left by all previous contours, and its parent is obtained from the last contour met by the scan. This paper presents TRUCO (Threaded Raster Unrestricted Contour Ownership), a multi-core algorithm that returns exactly the output of Suzuki--Abe (the same contours, in the same order, with the same hierarchy) without locks, read-modify-write operations or a stitching phase. The method rests on two ideas. First, the image is divided into horizontal stripes, one per thread, and two rules, row-local writes and geometric contour ownership, let each thread trace complete contours independently of the others. Second, the tracing of the contours is separated from the computation of the hierarchy, which is recovered afterwards from one reference per contour; the trace therefore stores no contour numbers in the label image, which also makes it more efficient than that of the original algorithm when a single thread is used. We prove that the output is deterministic and identical to that of Suzuki--Abe, and that the algorithm is free of data races. Experiments on synthetic images, high-resolution photographs and segmentation masks, on a desktop and a server CPU, show that TRUCO scales with the number of threads and is several times faster than the fastest sequential methods, with and without the hierarchy. With a single thread, it is already faster than Suzuki--Abe.
• Abstract（参考訳）: 閉画素輪郭を2値画像から抽出し、その輪郭を囲むものを記録する階層と共に、フィデューシャルマーカー検出からセグメンテーションマスクのベクトル化まで、多くのコンピュータビジョンパイプラインの基本ステップである。 鈴木と阿部による参照アルゴリズムは本質的にシーケンシャルであり、各輪郭は前回の輪郭が残したラベルに依存するラスタースキャンによって発見され、その親はスキャンで満たされた最後の輪郭から得られる。 本稿では,スズキ・アベの出力をロックやリード・モーフィズ・ライト操作や縫合フェーズなしで正確に返すマルチコアアルゴリズムであるTRUCO(Threaded Raster Unrestricted Contour Ownership)を提案する。 その方法は2つの考えに基づいている。 まず、画像は水平のストライプに分割され、1本のスレッドに1本のスレッドと2つのルール、行ローカル書き込みと幾何学的輪郭オーナシップに分けられ、各スレッドは、他のスレッドとは独立して完全な輪郭をトレースする。 第二に、輪郭のトレースは階層の計算から切り離され、1つの輪郭毎の参照から後に回収されるので、トレースはラベル画像に輪郭番号を格納しないため、単一のスレッドを使用するときの元のアルゴリズムよりも効率的である。 本研究では, スズキ・アベの出力が決定論的かつ同一であること, アルゴリズムがデータ競合を含まないことを証明した。 デスクトップおよびサーバCPU上での合成画像、高解像度写真、セグメンテーションマスクの実験は、TRUCOがスレッド数でスケールし、階層構造のない高速なシーケンシャルメソッドよりも数倍高速であることを示している。 単一のスレッドでは、すでに鈴木-阿部より高速です。

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。