دانلود ترجمه مقاله سنجش فشرده تقریبی برای فشرده سازی تصویر

1. مقدمه 2. پیش زمینه 3. معماری فشرده سازی تصویر 4. روش پیشنهادی 5. نتایج تجربی 6. نتیجه گیری

چکیده – اخیرا سنجش فشرده به علت پتانسیلی که در تحقق راهکارهای سهل الوصول فشرده سازی تصویر دارد، مورد توجه بسیاری از محققان قرار گرفته است. از سوی دیگر تقریب یا محاسبات غیردقیق با موفقیت برای کاهش پیچیدگی معماری های سخت افزاری ای به کار رفته اند که میزان مشخصی از تنزل عملکرد در آن قابل قبول است (به عنوان مثال فشرده سازی آزاد تصویر). در این پژوهش روش جدیدی برای سنجش فشرده و با بهره گیری از الگوی محاسبات تقریبی ارائه می کنیم تا معماری فشرده سازی کارآمد از نظر سخت افزاری تصویر را عملی کنیم. در این پژوهش فشرده سازی مبتنی بر ماتریس تصادفی گوسی را برگزیدیم. هرس مبتنی بر کتابخانه برای تحقق معماری فشرده سازی تقریبی مورد استفاده قرار می گیرد. در ادامه روش بهینه سازی چند هدفه را برای تنظیم هرس و افزایش عملکرد معماری ارائه می دهیم. به هنگام مقایسه با معماری مبنا که از ضرب کننده های معمولی فناوری CMOS 65نانومتری بهره می برد، معماری فشرده سازی پیشنهادی برای تصویر به کمک تنزل کمینه PSNR به 43% صرفه جویی در سطح و 54% صرفه جویی در توان نائل می شود. مقدمه: از آنجایی که محاسبات تقریبی نشان داده اند که به بهبودهای چشمگیری در عملکرد و بازده توان سیستم های محاسباتی نائل شده اند، توجه زیادی را به خود جلب کرده اند [1]. محاسبات تقریبی با مصالحه در دقت نتایج، سطح و صرفه جویی در توان را به ارمغان آورده است [2]. دقت تقلیل یافته در سیستم هایی قابل قبول است که از قابلیت های درک محدود انسان بهره مند هستند. چنین کاربردهایی شامل برنامه های چندرسانه ای (پردازش تصویر و ویدئو)، داده کاوی، جستجو و برنامه های پیش بینی آب و هوا است [3]، [4] و [5]. محاسبات تقریبی برای بهبود عملکرد CPU نیز مورد استفاده قرار می گیرد. این بهبود با تقریب محاسبات مبتنی بر حافظه و شتاب دهنده های حافظه آدرس پذیر محتوا قابل حصول است [6]، [7]. شکل 1 مثالی را نشان می دهد که در آن صرفه جویی در انرژی به قیمت کیفیت خروجی تصویر به دست می آید؛ مادامی که معماری های FFT با درجات متغیری از بی دقتی به کار گرفته می شوند [8].

Recently, compressive sensing has attracted a lot of research interest due to its potential for realizing lightweight image compression solutions. Approximate or inexact computing on the other hand has been successfully applied to lower the complexity of hardware architectures for applications where a certain amount of performance degradation is acceptable (e.g. lossy image compression). In our work, we present a novel method for compressive sensing using approximate computing paradigm, in order to realize a hardware-efficient image compression architecture. We adopt Gaussian Random matrix based compression in our work. Library based pruning is used to realize the approximate compression architecture. Further we present a multi-objective optimization method to fine tune our pruning and increase performance of architecture. When compared to the baseline architecture that uses regular multipliers on 65-nm CMOS technology, our proposed image compression architecture achieves 43% area and 54% power savings with minimal PSNR degradation. INTRODUCTION: Approximate computing has gained wide attention as it has been shown to lead to significant improvement in performance and power efficiency of computing systems [1]. Approximate computing provides area and power savings by trading off the accuracy of the results [2]. The reduced accuracy is acceptable in systems that take advantage of limited human perception capabilities. Such applications include multimedia (image and video processing), data-mining, search and weather forecast applications [3], [4], [5]. Approximate computing is also used to improve CPU performance. This is acheived by approximating the memory based computations and content addressable memory accelerators [6], [7]. Fig. 1 shows an example where energy savings are achieved at the expense of image output quality when FFT architectures with varying degrees of inexactness are employed [8].

بخشی از ترجمه مقاله (صفحه 8 فایل ورد ترجمه)