La présentation est en train de télécharger. S'il vous plaît, attendez

La présentation est en train de télécharger. S'il vous plaît, attendez

Thales Air Operations Développement d'algorithmes de reconnaissance de cibles non coopératives et parallélisation sur GPU Présentation de Stage (22-10-2010)

Présentations similaires


Présentation au sujet: "Thales Air Operations Développement d'algorithmes de reconnaissance de cibles non coopératives et parallélisation sur GPU Présentation de Stage (22-10-2010)"— Transcription de la présentation:

1 Thales Air Operations Développement d'algorithmes de reconnaissance de cibles non coopératives et parallélisation sur GPU Présentation de Stage ( ) Thomas Boulay

2 Thales Air Operations 2 Sommaire I. Présentation II. Algorithme des KPPV (K Plus Proches Voisins) 1. Linéaire vs dB 2. Linéaire vs dB avec Recalage 3. Seuillage 4. Fenêtrage Distance 5. Conclusion et perspectives III. Implémentation sur GPU 1. Présentation des GPU 2. Application des KPPV sur GPU 3. Conclusion et perspectives IV. Conclusion générale

3 Thales Air Operations 3 Présentation NCTR (Non Cooperative Target Recognition) Objectif: Reconnaissance de cibles Attribut utilisé: Profil Distance Données 4 cibles pour la base dapprentissage 3 cibles pour la base de test Objectifs du stage Tester les performances de lalgorithme des KPPV Maîtriser le taux derreur et réduire les temps de calculs Regarder linfluence du traitement de linformation non comprimée Implémenter sur GPU

4 Thales Air Operations 4 I. Présentation II. Algorithme des KPPV 1. Linéaire vs dB 2. Linéaire vs dB avec Recalage 3. Seuillage 4. Fenêtrage Distance 5. Conclusion et perspectives III. Implémentation sur GPU 1. Présentation des GPU 2. Application des KPPV sur GPU 3. Conclusion et perspectives IV. Conclusion générale

5 Thales Air Operations 5 K Plus Proches Voisins K plus petites distances Profil distance de test appartient à la classe majoritaire

6 Thales Air Operations 6 I. Présentation II. Algorithme des KPPV 1. Linéaire vs dB 2. Linéaire vs dB avec Recalage 3. Seuillage 4. Fenêtrage Distance 5. Conclusion et perspectives III. Implémentation sur GPU 1. Présentation des GPU 2. Application des KPPV sur GPU 3. Conclusion et perspectives IV. Conclusion générale

7 Thales Air Operations 7 Linéaire vs dB (Taux derreur) LinéairedB Meilleures performances en dB apport des points brillants de faible amplitude

8 Thales Air Operations 8 Linéaire vs dB (Taux de succès) LinéairedB Reconnaissance cible 3 fortement influencée par les points brillants de faible amplitude

9 Thales Air Operations 9 I. Présentation II. Algorithme des KPPV 1. Linéaire vs dB 2. Linéaire vs dB avec Recalage 3. Seuillage 4. Fenêtrage Distance 5. Conclusion et perspectives III. Implémentation sur GPU 1. Présentation des GPU 2. Application des KPPV sur GPU 3. Conclusion et perspectives IV. Conclusion générale

10 Thales Air Operations 10 Linéaire vs dB avec recalage Recalage des données en distance avant application des KPPV

11 Thales Air Operations 11 Linéaire vs dB avec recalage (Taux derreur) LinéairedB Légère diminution du taux derreur Profils distance préalablement recalés grossièrement

12 Thales Air Operations 12 Linéaire vs dB avec recalage (Taux de succès) LinéairedB Meilleures performances en dB profils traités en dB L1 L2

13 Thales Air Operations 13 I. Présentation II. Algorithme des KPPV 1. Linéaire vs dB 2. Linéaire vs dB avec Recalage 3. Seuillage 4. Fenêtrage Distance 5. Conclusion et perspectives III. Implémentation sur GPU 1. Présentation des GPU 2. Application des KPPV sur GPU 3. Conclusion et perspectives IV. Conclusion générale

14 Thales Air Operations 14 Seuillage (Taux derreur) L1 L2 Plus le seuil est haut, plus le taux derreur augmente Reconnaissance influencée par les échantillons de faible amplitude Application dun seuil adapté au niveau de bruit de chaque profil distance

15 Thales Air Operations 15 Seuillage (Taux de succès) Seuillage niveau de bruit + 5dB (L2)Seuillage niveau de bruit + 15dB (L2) Reconnaissance cible 3 très sensible au seuillage Influence non négligeable des échantillons de faible amplitude (bruit ou signal utile)

16 Thales Air Operations 16 I. Présentation II. Algorithme des KPPV 1. Linéaire vs dB 2. Linéaire vs dB avec Recalage 3. Seuillage 4. Fenêtrage Distance 5. Conclusion et perspectives III. Implémentation sur GPU 1. Présentation des GPU 2. Application des KPPV sur GPU 3. Conclusion et perspectives IV. Conclusion générale

17 Thales Air Operations 17 Fenêtrage Distance 125 échantillons Intérêt: Reconnaissance sur les points de faible amplitude ou bruit thermique?

18 Thales Air Operations 18 Fenêtrage Distance (Taux derreur) L1L2 Légère dégradation des performances Influence des échantillons de bruit

19 Thales Air Operations 19 I. Présentation II. Algorithme des KPPV 1. Linéaire vs dB 2. Linéaire vs dB avec Recalage 3. Seuillage 4. Fenêtrage Distance 5. Conclusion et perspectives III. Implémentation sur GPU 1. Présentation des GPU 2. Application des KPPV sur GPU 3. Conclusion et perspectives IV. Conclusion générale

20 Thales Air Operations 20 Conclusion et perspectives Conclusion Mise en évidence des limites des KPPV Influence des points de faible amplitude KPPV très sensible aux échantillons de bruit « Meilleurs » résultats obtenus: KPPV avec recalage Algorithme non optimal pour la reconnaissance de cibles Perspectives Multi-Décision pour réduire le taux derreur

21 Thales Air Operations 21 I. Présentation II. Algorithme des KPPV 1. Introduction 2. Linéaire vs dB 3. Linéaire vs dB avec Recalage 4. Seuillage 5. Fenêtrage Distance 6. Conclusion et perspectives III. Implémentation sur GPU 1. Présentation des GPU 2. Application des KPPV sur GPU 3. Conclusion et perspectives IV. Conclusion générale

22 Thales Air Operations 22 Présentation des GPU GPU : Graphic Processing Unit Evolution vers une architecture multi-coeur: A lorigine, architecture dédiée au rendu de volume Pipeline Graphique Depuis 2006, architecture adaptée à la parallélisation de divers calculs scientifiques CUDA: Common Unified Device Architecture (prog. en C)

23 Thales Air Operations 23 Comparaison GPU-CPU Puissance de calculDébit mémoire GPU adaptés aux calculs massivement parallèles Nombreux cas non parallélisables CPU

24 Thales Air Operations 24 Hiérarchie des threads Un ID par thread et un ID par bloc de threads thread bloc de thread séquentielle parallèle Exécution

25 Thales Air Operations 25 Mémoires Accès aux mémoires

26 Thales Air Operations 26 Hiérarchie mémoire et exécution code GPU Hiérarchie mémoirePC hote et carte graphique

27 Thales Air Operations 27 Architecture Fermi Principales améliorations: 512 cœurs 64 KB de RAM configurable 3 GB de mémoire globale Calcul en précision « double » amélioré Intégration code correcteur derreur 240 cœurs 16 KB mémoire shared 4 GB Source NVIDIA

28 Thales Air Operations 28 I. Présentation II. Algorithme des KPPV 1. Introduction 2. Linéaire vs dB 3. Linéaire vs dB avec Recalage 4. Seuillage 5. Fenêtrage Distance 6. Conclusion et perspectives III. Implémentation sur GPU 1. Présentation des GPU 2. Application des KPPV sur GPU 3. Conclusion et perspectives

29 Thales Air Operations 29 Application des KPPV sur GPU Données Profils distances simulés 3 cibles différentes pour la base dapprentissage 3 cibles différentes pour la base de test 3 étapes: Etape 1: Calcul des distances entre les profils de la base de test et de la base dapprentissage + recalage + seuillage Etape 2: Trier les distances par ordre croissant et garder les k premières Etape 3: Prise de décision Nech512 Ntest150 Napp512

30 Thales Air Operations 30 Parallélisation des calculs: découpage en threads 1 Distance = 1 thread N blocs = N test 150 N threads/bloc = N app 512 N Op/thread = N ech 512 1ère version Gestion de la mémoire Base de test Base dapprentissage Distance Résultat Mémoire shared Cache Texture Registre Résultats Temps de calcul (ms) Programme C48.32 Programme CUDA (mémoire globale)24.90 Programme CUDA2.73 x 18

31 Thales Air Operations 31 Parallélisation des calculs: découpage en threads 1 Distance + recalage + seuillage = 1 thread 2ème version N blocs = N test 150 N threads/bloc = N app 512 N Op/thread = N ech *2*N dec 512*200 Gestion de la mémoire Base de test Base dapprentissage Distance Résultat Mémoire shared Cache Texture Registre Seuil Cache Constant Temps de calcul (s) KPPV Matlab KPPV Matlab Mex-CUDA2.10 Résultats x 58 (Matlab)

32 Thales Air Operations 32 I. Présentation II. Algorithme des KPPV 1. Linéaire vs dB 2. Linéaire vs dB avec Recalage 3. Seuillage 4. Fenêtrage Distance 5. Conclusion et perspectives III. Implémentation GPUs 1. Présentation des GPU 2. Application des KPPV sur GPU 3. Conclusion et perspectives IV. Conclusion générale

33 Thales Air Operations 33 Conclusion et perspectives Conclusion Facteur daccélération de 58 pour lalgorithme des KPPV Calcul GPU intégré à Matlab Perspectives Optimisation de la mémoire et du découpage en thread Optimisation de limplémentation GPU (Fermi) Implémentation sous OpenCl Réduction temps de calcul Réduction de dimensionnalité (ACP, Fourier)

34 Thales Air Operations 34 I. Présentation II. Algorithme des KPPV 1. Linéaire vs dB 2. Linéaire vs dB avec Recalage 3. Seuillage 4. Fenêtrage Distance 5. Conclusion et perspectives III. Implémentation GPUs 1. Présentation des GPU 2. Application des KPPV sur GPU 3. Conclusion et perspectives IV. Conclusion générale

35 Thales Air Operations 35 Conclusion et perspectives KPPV Permet de ne pas comprimer linformation pas de perte Résultats: Pas de maîtrise du taux derreur Paramétrage délicat (Seuil, Fenêtrage, …) GPU Bonnes performances obtenues accélération significative Bien adapté à la reconnaissance de profils Algorithme non idéal pour la reconnaissance de profils Nécessité de mettre au point un nouvel algorithme de reconnaissance de cibles exploitant la puissance de calcul offerte par les GPU

36 Thales Air Operations 36 Questions-Réponses


Télécharger ppt "Thales Air Operations Développement d'algorithmes de reconnaissance de cibles non coopératives et parallélisation sur GPU Présentation de Stage (22-10-2010)"

Présentations similaires


Annonces Google