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

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

Présentation de Stage ( )

Présentations similaires


Présentation au sujet: "Présentation de Stage ( )"— Transcription de la présentation:

1 Présentation de Stage (22-10-2010)
Développement d'algorithmes de reconnaissance de cibles non coopératives et parallélisation sur GPU Présentation de Stage ( ) Thomas Boulay

2 Sommaire Présentation Algorithme des KPPV (K Plus Proches Voisins)
Linéaire vs dB Linéaire vs dB avec Recalage Seuillage Fenêtrage Distance Conclusion et perspectives Implémentation sur GPU Présentation des GPU Application des KPPV sur GPU Conclusion générale Thales Air Operations

3 Présentation NCTR (Non Cooperative Target Recognition) Données
Objectif: Reconnaissance de cibles Attribut utilisé: Profil Distance Données 4 cibles pour la base d’apprentissage 3 cibles pour la base de test Objectifs du stage Tester les performances de l’algorithme des KPPV Maîtriser le taux d’erreur et réduire les temps de calculs Regarder l’influence du traitement de l’information non comprimée Implémenter sur GPU Thales Air Operations

4 Implémentation sur GPU
Présentation Algorithme des KPPV Linéaire vs dB Linéaire vs dB avec Recalage Seuillage Fenêtrage Distance Conclusion et perspectives Implémentation sur GPU Présentation des GPU Application des KPPV sur GPU Conclusion générale Thales Air Operations

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

6 Implémentation sur GPU
Présentation Algorithme des KPPV Linéaire vs dB Linéaire vs dB avec Recalage Seuillage Fenêtrage Distance Conclusion et perspectives Implémentation sur GPU Présentation des GPU Application des KPPV sur GPU Conclusion générale Thales Air Operations 6

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

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

9 Implémentation sur GPU
Présentation Algorithme des KPPV Linéaire vs dB Linéaire vs dB avec Recalage Seuillage Fenêtrage Distance Conclusion et perspectives Implémentation sur GPU Présentation des GPU Application des KPPV sur GPU Conclusion générale Thales Air Operations

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

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

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

13 Implémentation sur GPU
Présentation Algorithme des KPPV Linéaire vs dB Linéaire vs dB avec Recalage Seuillage Fenêtrage Distance Conclusion et perspectives Implémentation sur GPU Présentation des GPU Application des KPPV sur GPU Conclusion générale Thales Air Operations

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

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

16 Implémentation sur GPU
Présentation Algorithme des KPPV Linéaire vs dB Linéaire vs dB avec Recalage Seuillage Fenêtrage Distance Conclusion et perspectives Implémentation sur GPU Présentation des GPU Application des KPPV sur GPU Conclusion générale Thales Air Operations

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

18 Fenêtrage Distance (Taux d’erreur)
L1 L2 Thales Air Operations Légère dégradation des performances Influence des échantillons de bruit

19 Implémentation sur GPU
Présentation Algorithme des KPPV Linéaire vs dB Linéaire vs dB avec Recalage Seuillage Fenêtrage Distance Conclusion et perspectives Implémentation sur GPU Présentation des GPU Application des KPPV sur GPU Conclusion générale Thales Air Operations

20 Conclusion et perspectives
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 d’erreur Thales Air Operations

21 Implémentation sur GPU
Présentation Algorithme des KPPV Introduction Linéaire vs dB Linéaire vs dB avec Recalage Seuillage Fenêtrage Distance Conclusion et perspectives Implémentation sur GPU Présentation des GPU Application des KPPV sur GPU Conclusion générale Thales Air Operations

22 Présentation des GPU GPU : Graphic Processing Unit
Evolution vers une architecture multi-coeur: A l’origine, 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) Thales Air Operations

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

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

25 Mémoires Accès aux mémoires Thales Air Operations

26 Hiérarchie mémoire et exécution code GPU
PC hote et carte graphique 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 d’erreur 240 cœurs 16 KB mémoire shared 4 GB Thales Air Operations Source NVIDIA

28 Implémentation sur GPU
Présentation Algorithme des KPPV Introduction Linéaire vs dB Linéaire vs dB avec Recalage Seuillage Fenêtrage Distance Conclusion et perspectives Implémentation sur GPU Présentation des GPU Application des KPPV sur GPU Thales Air Operations

29 Application des KPPV sur GPU
Données Profils distances simulés 3 cibles différentes pour la base d’apprentissage 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 d’apprentissage + recalage + seuillage Etape 2: Trier les distances par ordre croissant et garder les k premières Etape 3: Prise de décision Nech 512 Ntest 150 Napp Thales Air Operations

30 Parallélisation des calculs: découpage en threads
1ère version Nblocs = Ntest 150 Nthreads/bloc = Napp 512 NOp/thread = Nech 1 Distance = 1 thread Gestion de la mémoire Base de test Mémoire shared Base d’apprentissage Cache Texture Distance Résultat Registre Résultats Temps de calcul (ms) Programme C 48.32 Programme CUDA (mémoire globale) 24.90 Programme CUDA 2.73 Thales Air Operations x 18

31 Parallélisation des calculs: découpage en threads
2ème version (Matlab) Nblocs = Ntest 150 Nthreads/bloc = Napp 512 NOp/thread = Nech*2*Ndec 512*200 1 Distance + recalage + seuillage = 1 thread Gestion de la mémoire Base de test Mémoire shared Base d’apprentissage Cache Texture Distance Résultat Registre Seuil Cache Constant Résultats Thales Air Operations Temps de calcul (s) KPPV Matlab 121.77 KPPV Matlab Mex-CUDA 2.10 x 58

32 Présentation Algorithme des KPPV Implémentation GPUs
Linéaire vs dB Linéaire vs dB avec Recalage Seuillage Fenêtrage Distance Conclusion et perspectives Implémentation GPUs Présentation des GPU Application des KPPV sur GPU Conclusion générale Thales Air Operations

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

34 Présentation Algorithme des KPPV Implémentation GPUs
Linéaire vs dB Linéaire vs dB avec Recalage Seuillage Fenêtrage Distance Conclusion et perspectives Implémentation GPUs Présentation des GPU Application des KPPV sur GPU Conclusion générale Thales Air Operations 34

35 Conclusion et perspectives
KPPV Permet de ne pas comprimer l’information pas de perte Résultats: Pas de maîtrise du taux d’erreur 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 Thales Air Operations Nécessité de mettre au point un nouvel algorithme de reconnaissance de cibles exploitant la puissance de calcul offerte par les GPU 35

36 Questions-Réponses Thales Air Operations 36


Télécharger ppt "Présentation de Stage ( )"

Présentations similaires


Annonces Google