The Hopfield neural network (HNN) h

The Hopfield neural network (HNN) has been demonstrated to be an effective tool for the spectral mixture unmixing of hyperspectral images. However, it is extremely time consuming for such per-pixel algorithm to be utilized in real-world applications. In this letter, the implementation of a multichannel structure of HNN (named as MHNN) on a graphics processing unit (GPU) platform is proposed. According to the unmixing procedure of MHNN, three levels of parallelism, including thread, block, and stream, are designed to explore the peak computing capacity of a GPU device. In addition, constant and texture memories are utilized to further improve its computational performance. Experiments on both synthetic and real hyperspectral images demonstrated that the proposed GPU-based implementation works on the peak computing ability of a GPU device and obtains several hundred times of acceleration versus the CPU-based implementation while its unmixing performance remains unchanged. © 2013 IEEE.

ผลลัพธ์ (ไทย) 1:

เครือข่าย Hopfield ประสาท (hnn) ได้รับการแสดงให้เห็นว่าเป็นเครื่องมือที่มีประสิทธิภาพสำหรับ unmixing ส่วนผสมสเปกตรัมของภาพ hyperspectral แต่มันเป็นเวลานานมากสำหรับเช่นขั้นตอนวิธีการต่อพิกเซลเพื่อนำไปใช้ประโยชน์ในการใช้งานจริงในโลก ในจดหมายฉบับนี้การดำเนินงานของโครงสร้างหลายช่องของ hnn (ชื่อเป็น mhnn) บนหน่วยประมวลผลกราฟิก (GPU) แพลตฟอร์มเสนอตามขั้นตอนของ unmixing mhnn สามระดับของความเท่าเทียมรวมทั้งด้ายบล็อกและกระแสได้รับการออกแบบในการสำรวจความสามารถในการประมวลผลสูงสุดของอุปกรณ์ GPU นอกจากนี้ความทรงจำที่คงที่และพื้นผิวที่ถูกนำมาใช้เพื่อปรับปรุงประสิทธิภาพการทำงานของคอมพิวเตอร์การทดลองภาพ hyperspectral ทั้งสังเคราะห์และจริงแสดงให้เห็นว่าการดำเนินการ GPU ตามที่เสนอผลงานที่มีความสามารถในการประมวลผลสูงสุดของอุปกรณ์ GPU และได้รับหลายร้อยเท่าของอัตราเร่งเมื่อเทียบกับการใช้งานซีพียูที่ใช้ในขณะที่ผลการดำเนินงานของ unmixing ยังคงไม่เปลี่ยนแปลง © 2013 อีอีอี

ผลลัพธ์ (ไทย) 2:

เครือข่ายประสาท Hopfield (HNN) ได้ถูกสาธิตจะ เป็นเครื่องมือที่มีประสิทธิภาพสำหรับ unmixing ผสมสเปกตรัม hyperspectral ภาพ อย่างไรก็ตาม มันเป็นมากเวลานานสำหรับอัลกอริทึมดังกล่าวต่อพิกเซลเพื่อนำไปใช้ประโยชน์ในการใช้งานจริง ดำเนินงานของโครงสร้างแบบของ HNN (ตั้งชื่อเป็น MHNN) บนกราฟิกประมวลผลหน่วย (GPU) แพลตฟอร์มที่จะนำเสนอในจดหมายนี้ ตามกระบวนการ unmixing ของ MHNN สามระดับของ parallelism ด้าย บล็อก และ กระแส ถูกออกแบบให้ได้สูงสุดที่คำนวณความจุของอุปกรณ์ GPU นอกจากนี้ ความทรงจำที่คงและพื้นผิวถูกนำมาใช้พัฒนาประสิทธิภาพการทำงานของคอมพิวเตอร์ ทดลองบนทั้งภาพจริง และสังเคราะห์ hyperspectral แสดงว่า ใช้ GPU นำเสนอทำงานสูงสุดที่ใช้งานความสามารถของอุปกรณ์ GPU และเหตุผลหลายร้อยเวลาเร่งความเร็วเมื่อเทียบกับการใช้งาน CPU ใช้ในขณะที่ประสิทธิภาพของ unmixing ยังคงไม่เปลี่ยนแปลง © 2013 IEEE

ผลลัพธ์ (ไทย) 3:

เครือข่ายเกิน hopfield ( hnn )ได้รับการแสดงให้เห็นถึงการเป็นเครื่องมือที่มี ประสิทธิภาพ สำหรับ unmixing ผสมผสานความยาวคลื่นของ ภาพ hyperspectral แต่ถึงอย่างไรก็ตามยังเป็นอย่างมากใช้เวลานานสำหรับอัลกอริธึมต่อพิกเซลนั้นเพื่อเป็นประโยชน์ในการประยุกต์ใช้งานแบบเรียลไทม์ทั่วโลก ในจดหมายฉบับนี้การนำไปใช้งานที่มีโครงสร้างเป็นแบบมัลติแชนเนลของ hnn (ชื่อเป็น mhnn )บน Graphics Processing Unit ( GPU )แพลตฟอร์มที่ได้ถูกนำเสนอตามขั้นตอน unmixing ของ mhnn สามระดับของการทำงานแบบขนานรวมถึงชุดคำสั่งหรือเธรดเป็นอาคารก่ออิฐและสตรีมได้รับการออกแบบมาเพื่อการสำรวจการใช้งานคอมพิวเตอร์ความจุสูงสุดของอุปกรณ์ GPU ที่ นอกจากนี้ยังอยู่ในความทรงจำอย่างต่อเนื่องและเนื้อจะถูกใช้งานในการเพิ่ม ประสิทธิภาพ การทำงานของนวัตกรรมการทดลองใช้ทั้งทำจากเส้นใยสังเคราะห์และแบบเรียลไทม์ hyperspectral ภาพ แสดงให้เห็นว่าได้รับการเสนอ GPU ใช้งานการนำไปใช้งานบนยอดสูงสุดการใช้งานคอมพิวเตอร์ที่ความสามารถของ GPU อุปกรณ์และรับหลายร้อยเท่าของการเร่งความเร็วเมื่อเทียบกับซีพียูซึ่งใช้การนำไปใช้งานในขณะที่ unmixing ประสิทธิภาพ การทำงานจะไม่มีการเปลี่ยนแปลง. ©ปี 2013 IEEE .