[논문 리뷰] Fusion of multispectral satellite imagery using a cluster of graphics processing unit

Anas M. Al-Oraiqat, Yevgen Bashkov외 2명|arXiv (Cornell University)|2018. 03. 02.

Advanced Image Fusion Techniques참고 문헌 4인용 수 4

한 줄 요약

이 논문은 이산 웨이블릿 변환(Haar 및 Daubechies)을 사용하여 다중스펙트럼 위성 영상 융합을 위한 병렬 GPU 클러스터 구현을 제안한다. GPU 클러스터를 활용함으로써, 이미지 품질을 유지하면서도 CPU 및 단일 GPU 구현 대비 2배에서 18배의 속도 향상을 달성하였으며, Landsat 7 자료를 대상으로 ERGAS 및 QNR 지표를 통해 검증되었다.

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.

연구 동기 및 목표

• 기존 CPU 기반 방법에 의한 고해상도 다중스펙트럼 위성 영상 융합에서 발생하는 계산 병목 현상을 해결하기 위해.
• 단일 GPU 처리의 한계를 극복하고, 처리량을 향상시키기 위해 GPU 클러스터로 확장하기 위해.
• 대규모 위성 영상 처리에 있어 처리 시간을 크게 단축하면서도 융합 품질을 높게 유지하기 위해.
• 실제 Landsat 7 자료를 대상으로 병렬화된 영상 융합 방법의 성능과 품질을 평가하기 위해.
• 지리공간 영상 융합 워크로드에 대해 GPU 클러스터 기반 처리의 실현 가능성과 효율성을 입증하기 위해.

제안 방법

• GPU 클러스터에서 다중스펙트럼 영상 융합을 위한 병렬 이산 웨이블릿 변환(DWT) 방법—특히 Haar 및 Daubechies DWT—를 구현하기 위해.
• 웨이블릿 분해 및 재구성의 데이터 병렬 실행을 위해 이미지 처리 작업을 여러 GPU에 분배하기 위해.
• 클러스터 환경에서 GPU 커널 실행과 노드 간 통신을 위해 CUDA 및 MPI를 사용하기 위해.
• 백색광 및 다중스펙트럼 대역을 조합하기 위해 표준 영상 융합 규칙(예: 계수 대체 및 재구성)을 적용하기 위해.
• 클러스터 파이프라인 내에서 지연을 최소화하기 위해 호스트와 GPU 장치 간 메모리 접근 및 데이터 전송을 최적화하기 위해.
• GPU 활용도를 극대화하기 위해 성능 모니터링 및 로드 밸런싱을 통합하기 위해.

실험 결과

연구 질문

• RQ1 CPU 및 단일 GPU 시스템 대비 GPU 클러스터가 다중스펙트럼 위성 영상 융합을 상당히 가속화할 수 있는가?
• RQ2 클러스터 아키텍처에서 병렬 DWT 기반 융합 방법의 성능이 여러 GPU에 걸쳐 어떻게 스케일링되는가?
• RQ3 GPU 클러스터를 사용한 영상 융합 시 처리 속도와 이미지 품질 간의 상호 상충 관계는 어떠한가?
• RQ4 ERGAS 및 QNR 지표에서 GPU 클러스터 구현 결과와 이전 CPU/단일 GPU 결과 간의 비교는 어떠한가?
• RQ5 제안된 방법이 높은 계산 처리량을 달성하면서도 융합 품질을 얼마나 잘 유지할 수 있는가?

주요 결과

• Landsat 7 영상 융합에서 GPU 클러스터 구현은 CPU 기반 처리 대비 2배에서 18배의 성능 향상을 달성하였다.
• GPU 클러스터에서의 병렬 DWT 기반 융합 방법은 ERGAS 및 QNR 지표를 통해 이전 CPU 및 단일 GPU 결과와 유사한 이미지 품질을 유지하였다.
• 더 큰 이미지 데이터셋에서 속도 향상이 가장 두드러졌으며, 이는 GPU 클러스터 방식의 강력한 확장성을 보여주었다.
• 병렬 파이프라인에서 Haar 및 Daubechies 웨이블릿 변환을 모두 사용함으로써 다양한 이미지 특성에 걸쳐 견고한 융합 성능을 달성하였다.
• 높은 GPU 활용도와 효율적인 데이터 분배가 달성되어 유휴 시간과 통신 오버헤드를 최소화하였다.
• 결과적으로 GPU 클러스터는 원격 감지 분야에서 계산이 집약적인 영상 융합 작업을 가속화하는 실현 가능하고 효율적인 솔루션임을 확인하였다.