[論文レビュー] Fusion of multispectral satellite imagery using a cluster of graphics processing unit

Anas M. Al-Oraiqat, Yevgen Bashkov+2 more|arXiv (Cornell University)|Mar 2, 2018

Advanced Image Fusion Techniques参考文献 4被引用数 4

ひとこと要約

本論文では、離散ウェーブレット変換（ハールおよびダービーシュ）を用いたマルチスペクトル衛星画像の統合のための並列GPUクラスタ実装を提案する。GPUクラスタを活用することで、CPUおよび単一GPU実装と比較して2倍から18倍の高速化を達成し、画像品質は維持される。Landsat 7データを用いたERGASおよびQNR指標による検証で裏付けられている。

ABSTRACT

The paper presents a parallel implementation of existing image fusion methods on a graphical cluster. Parallel implementations of methods based on discrete wavelet transformation (Haars and Daubechies discrete wavelet transform) are developed. Experiments were performed on a cluster using GPU and CPU and performance gains were estimated for the use of the developed parallel implementations to process satellite images from satellite Landsat 7. The implementation on a graphic cluster provides performance improvement from 2 to 18 times. The quality of the considered methods was evaluated by ERGAS and QNR metrics. The results show performance gains and retaining of quality with the cluster of GPU compared to the results obtained by the authors and other researchers for a CPU and single GPU.

研究の動機と目的

• 従来のCPUベースの手法による高分解能マルチスペクトル衛星画像統合における計算ボトルネックを解消すること。
• 単一GPU処理の制限を克服し、スループットの向上を図るためにGPUクラスタにスケーリングすること。
• 大規模な衛星画像処理において、処理時間を大幅に短縮しつつも、高品質な統合を維持すること。
• 実世界のLandsat 7データを用いて、並列化された画像統合手法の性能と品質を評価すること。
• 地理空間画像統合ワークロードにおけるGPUクラスタベース処理の実現可能性と効率性を示すこと。

提案手法

• GPUクラスタ上で並列版の離散ウェーブレット変換（DWT）手法（特にハールおよびダービーシュDWT）を実装し、画像統合に用いる。
• 複数のGPUに画像処理タスクを分散させ、ウェーブレット分解および再構成のデータ並列実行を可能にする。
• クラスタ環境におけるGPUカーネル実行およびノード間通信に、CUDAとMPIを用いる。
• パンクロマチックバンドとマルチスペクトルバンドを統合するための標準的な画像統合ルール（例：係数置換および再構成）を適用する。
• ホストとGPUデバイス間のメモリアクセスおよびデータ転送を最適化し、クラスタパイプライン内の遅延を最小限に抑える。
• パフォーマンス監視および負荷分散を統合し、クラスタノード全体でのGPU利用率を最大化する。

実験結果

リサーチクエスチョン

• RQ1 CPUおよび単一GPUシステムと比較して、GPUクラスタはマルチスペクトル衛星画像統合を顕著に高速化できるか？
• RQ2 GPUクラスタアーキテクチャにおいて、DWTベースの統合手法の並列実装は複数GPUにどのようにスケーリングされるか？
• RQ3 GPUクラスタを用いた画像統合において、処理速度と画像品質のトレードオフはいかなるものか？
• RQ4 ERGASおよびQNR指標において、GPUクラスタ実装と従来のCPU／単一GPU結果との間にはどのような差異があるか？
• RQ5 提案手法は、高い計算スループットを達成しつつ、どの程度の統合品質を維持できるか？

主な発見

• Landsat 7画像統合において、GPUクラスタ実装はCPUベース処理と比較して2倍から18倍の性能向上を達成した。
• GPUクラスタ上の並列DWTベース統合手法は、従来のCPUおよび単一GPU結果と同等の画像品質を維持しており、ERGASおよびQNR指標による確認がなされた。
• 処理速度の向上は、特に大規模な画像データセットにおいて顕著であり、GPUクラスタ手法の強力なスケーラビリティが示された。
• 並列パイプラインにハールおよびダービーシュウェーブレット変換を併用することで、異なる画像特性にわたる堅牢な統合性能が実現された。
• 実装は高いGPU利用率と効率的なデータ分散を達成し、無駄な待機時間および通信オーバーヘッドを最小限に抑えた。
• 結果から、GPUクラスタはリモートセンシング分野における計算集約的画像統合タスクを高速化するための実用的で効率的なソリューションであることが確認された。