基于CPU+GPU异构系统下影像并行分割算法的研究的中期报告.docx

基于CPU+GPU异构系统下影像并行分割算法的研究的中期报告
尊敬的评委和专家：
我是XXX，来自XXX大学计算机科学与技术专业，我的课题是基于CPU+GPU异构系统下影像并行分割算法的研究。
现在，我进行中期报告如下：
一、研究背景和目的
图像分割是计算机视觉中的一项重要任务，广泛应用于医学图像处理、机器人自主导航、图像检索等领域。目前，许多分割算法已经提出，但是一个瓶颈问题是运算速度较慢，尤其是处理大尺寸图像时。
因此，CPU+GPU异构系统将成为一个提高分割速度的选择，但是如何实现更好的分割性能需要进一步探究。因此，本研究旨在设计并行化的分割算法，以提高分割速度并获得更好的分割结果。
二、研究进展
1.研究框架设计
（1）算法整体结构
本研究拟采用F-CNN算法对图像进行分割。F-CNN算法是一种卷积神经网络，可用于图像语义分割。与传统的卷积神经网络不同，F-CNN将全图像分割任务分解为多个局部评估任务，并使用多个小的CNN模型来生成分类输出。后者被称为感兴趣区域（ROI）的评估模型。本研究中，CPU和GPU将用于评估非ROI和ROI之间的响应，而CPU将用于管理将ROI映射到GPU上的工作流程。
（2）并行计算方案
本研究提出一个GPU/CPU混合计算框架，将图像分成若干小块，然后将每个小块分别分配给不同的GPU计算，再将计算结果汇总，并交给CPU进行后处理。GPU并行计算可用于进行卷积操作，并行地计算每个感兴趣区域（ROI），以及对应的特征图。CPU其中也承担了一部分计算工作，例如计算ROIs与真实分割之间的IoU值，并用于最后的分割结果的生成。
2.实验设计和实验结果
（1）实验设计
本研究在一个拥有16个CPU核心和4个GPU卡片的异构集群上进行实验。测试数据集包含了不同尺寸和不同难度等级的图像。为方便实验分析和比较，本研究还利用了传统的单CPU计算集群，并使用了多种其他算法进行测试，比如DCNN，FCN等。
（2）实验结果
由于时间有限，本研究还在测试中，暂时无法提供详细的实验结果。预计在接下来的时间里，本研究将进行更多的测试和调整，以获得更好的实验结果，以证明设计的并行算法性能，及其与其他算法的比较结果。
三、未来的工作计划
针对当前进展，未来这将是我们在本课题中的下一步工作：
（1）在异构系统中实现更复杂的算法，如深度学习算法，进一步说明并行算法的性能。
（2）结合实验结果，对比分析不同算法之间的优劣和适用范围，为图像分割技术的改进和优化提供理论支持和实验参考。
（3）开发更高效的算法来减少数据访问时的冗余，提高算法的处理速度和切实可行性。
（4）进一步优化并发计算框架，提高并行效率，提高算法的适用范围，可实现更大尺寸图像的分割。
本研究的全部工作计划都围绕着探究并行计算在图像分割中的性能和适用范围，我们将持续努力，争取获得更好的结果，以推进图像分割领域的研究和应用。
以上就是我课题的中期报告，谢谢各位的聆听！