A funcionalidade de pesquisa está em construção.
A funcionalidade de pesquisa está em construção.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Real-Time and Energy-Efficient Face Detection on CPU-GPU Heterogeneous Embedded Platforms Detecção facial em tempo real e com baixo consumo de energia em plataformas heterogêneas incorporadas CPU-GPU

Chanyoung OH, Saehanseul YI, Youngmin YI

  • Exibições de texto completo

    0

  • Cite isto

Resumo:

À medida que a eficiência energética se tornou uma importante restrição ou objetivo de projeto, arquiteturas heterogêneas de muitos núcleos surgiram como plataformas-alvo convencionais, não apenas em sistemas de servidores, mas também em sistemas embarcados. Aceleradores Manycore, como GPUs, também estão se tornando populares em domínios incorporados, bem como em núcleos de CPU heterogêneos. No entanto, como o número de núcleos em uma GPU incorporada é muito menor do que o de uma GPU de servidor, é importante utilizar CPUs e GPUs multi-core heterogêneas para atingir o rendimento desejado com o consumo mínimo de energia. Neste artigo, apresentamos um estudo de caso de mapeamento de detecção facial baseada em LBP em uma plataforma embarcada heterogênea CPU-GPU recente, que explora tanto o paralelismo de tarefas quanto o paralelismo de dados para alcançar a máxima eficiência energética com uma restrição de tempo real. Primeiro apresentamos a técnica de paralelização de cada tarefa para a execução da GPU, depois propomos modelos de desempenho e energia para execuções paralelas de tarefas e paralelas de dados em processadores heterogêneos, que são usados ​​na exploração do espaço de design para o mapeamento ideal. O espaço de design é enorme, uma vez que são consideradas não apenas a heterogeneidade do processador, como CPU-GPU e big.LITTLE, mas também várias taxas de particionamento de dados para a execução paralela de dados nesses processadores heterogêneos. Em nosso estudo de caso de detecção facial LBP no Exynos 5422, o erro de estimativa dos modelos de desempenho e energia propostos foi em média -2.19% e -3.67%, respectivamente. Ao encontrar sistematicamente os mapeamentos ideais com os modelos propostos, poderíamos alcançar 28.6% menos consumo de energia em comparação com o mapeamento manual, ao mesmo tempo que cumprimos a restrição em tempo real.

Publicação
IEICE TRANSACTIONS on Information Vol.E101-D No.12 pp.2878-2888
Data de publicação
2018/12/01
Publicitada
2018/09/18
ISSN online
1745-1361
DOI
10.1587/transinf.2018PAP0004
Tipo de Manuscrito
Special Section PAPER (Special Section on Parallel and Distributed Computing and Networking)
Categoria
Sistemas em tempo real

autores

Chanyoung OH
  University of Seoul
Saehanseul YI
  University of Seoul
Youngmin YI
  University of Seoul

Palavra-chave