Resumen

Proponemos un algoritmo de estimación de movimiento altamente paralelo y escalable, llamado (para abreviar), combinando las ventajas de la búsqueda local completa y el submuestreo. Al submuestrear un fotograma de video, se ahorra una gran cantidad de cálculos. Al utilizar el método de búsqueda local completa, se puede explotar un gran paralelismo y aprovechar al máximo los potentes aceleradores modernos de muchos núcleos, como GPU e Intel Xeon Phi. Implementamos el propuesto MLRME en HM12.0, y los resultados experimentales mostraron que la calidad de codificación del método MLRME es cercana a la de la estimación de movimiento rápida en HEVC, que disminuye menos del 1.5%. También implementamos el MLRME con CUDA, lo que obtuvo una aceleración de 3060 veces en comparación con el algoritmo en serie en una sola CPU. Específicamente, la implementación paralela de MLRME en una GPU GTX 460 puede cumplir con el requisito de codificación en tiempo real con alrededor de

• Materias:Calibración geométrica Núcleos computacionales Consultas de palabras clave Pronóstico probabilístico Máquina de aprendizaje
• Subjects:Geometric calibration Computational kernels Keyword queries Probabilistic forecasting Machine learning
• Palabras claves:Algoritmo de estimación de movimiento propuesto; MLRME; Paralelismo; Submuestreo; GPU
• Keywords:Proposed; Motion estimation algorithm; MLRME; Parallelism; Downsampling; GPU