[논문 리뷰] GPGPU Acceleration of the KAZE Image Feature Extraction Algorithm

B. Ramkumar, Ravi S. Hegde외 2명|arXiv (Cornell University)|2017. 06. 21.

Advanced Image and Video Retrieval Techniques참고 문헌 10인용 수 3

한 줄 요약

이 논문은 CUDA를 사용하여 원본 KAZE 특징 추출 알고리즘의 GPGPU 가속 구현을 제시하며, 이중 기술자(descriptor)를 사용하지 않고도 16스레드 CPU 버전 대비 최대 8배의 성능 향상을 달성한다. 이 방법은 비선형 스케일 스페이스 구축, 키포인트 검출, 기술자 계산 단계에 걸쳐 세밀한 병렬 처리를 활용하여 알고리즘의 정확성을 유지하면서도 고해상도 이미지의 런타임을 크게 단축시킨다.

ABSTRACT

The recently proposed open-source KAZE image feature detection and description algorithm offers unprecedented performance in comparison to conventional ones like SIFT and SURF as it relies on nonlinear scale spaces instead of Gaussian linear scale spaces. The improved performance, however, comes with a significant computational cost limiting its use for many applications. We report a GPGPU implementation of the KAZE algorithm without resorting to binary descriptors for gaining speedup. For a 1920 by 1200 sized image our Compute Unified Device Architecture (CUDA) C based GPU version took around 300 milliseconds on a NVIDIA GeForce GTX Titan X (Maxwell Architecture-GM200) card in comparison to nearly 2400 milliseconds for a multithreaded CPU version (16 threaded Intel(R) Xeon(R) CPU E5-2650 processsor). The CUDA based parallel implementation is described in detail with fine-grained comparison between the GPU and CPU implementations. By achieving nearly 8 fold speedup without performance degradation our work expands the applicability of the KAZE algorithm. Additionally, the strategies described here can prove useful for the GPU implementation of other nonlinear scale space based methods.

연구 동기 및 목표

• 원본 KAZE 알고리즘의 높은 계산 비용으로 인해 실시간 응용 분야에서의 활용이 제한되는 문제를 해결하기 위해.
• 비선형 스케일 스페이스, 키포인트 검출, 기술자 계산을 포함한 전체 KAZE 파이프라인을 알고리즘 정확도를 훼손하지 않고 GPGPU를 통해 가속화하기 위해.
• 전체 정밀도를 유지하는 KAZE가 CUDA를 통해 효율적으로 병렬화될 수 있음을 입증하고, 이중 기술자 근사로 인한 성능 저하를 피하기 위해.
• 기타 비선형 스케일 스페이스 기반 컴퓨터 비전 방법에 적용 가능한 GPU 최적화 구현 전략을 제공하기 위해.

제안 방법

• 비선형 스케일 스페이스 구축, 헤시안 기반 키포인트 검출, 기술자 계산 단계를 각각 CUDA C로 이식하고 GPU 커널을 사용하여 병렬화한다.
• 비선형 스케일 스페이스는 Perona-Malik 이방성 확산 PDE를 명시적 유한 차분 방법으로 반복적으로 풀어 구축하며, 이는 이미지 픽셀 단위로 병렬화된다.
• 키포인트 검출은 모든 공간적 위치와 스케일 위치에서 3×3×σ 스케일 헤시안 행렬식 계산을 병렬화하여 가속화된다.
• 기술자 계산은 각 키포인트를 GPU 스레드 블록에 할당하고, 유도값 접근을 위해 텍스처 메모리를 활용하여 공간적 국소성을 최적화한다.
• 메모리 액세스는 메모리 통합 및 공유 메모리 내 중간 스케일 스페이스 레이어 재사용을 통해 최적화된다.
• CPU는 커널 실행 및 데이터 전송만 관리하여 비동기 실행을 가능하게 하고 일반 계산을 오프로드한다.

실험 결과

연구 질문

• RQ1 이중 기술자를 사용하지 않고도 원본 비이진 KAZE 알고리즘을 GPU에서 효율적으로 가속화할 수 있는가?
• RQ2 전체 정밀도 KAZE 구현이 다중 스레드 CPU 버전 대비 GPU에서 얼마나 빠른가?
• RQ3 GPU와 CPU에서 KAZE의 세 가지 주요 단계(스케일 스페이스, 검출, 기술자)에 대한 계산 부담은 어떻게 분포되는가?
• RQ4 GPU 메모리 최적화가 이미지 크기가 증가함에 따라 메모리 프로파일 성장에 얼마나 기여하는가?

주요 결과

• 1920×1200 해상도 이미지에서 GPU-KAZE는 16스레드 CPU 버전 대비 7.8배의 성능 향상을 달성하여 런타임을 약 2400ms에서 약 300ms로 단축시켰다.
• 비선형 스케일 스페이스 구축 단계가 가장 큰 성능 향상을 기록했으며, 큰 이미지(1200×1920)에서 단일 CPU 스레드 기준 최대 18배의 성능 향상을 기록했다.
• 이미지 크기가 480×640에서 1200×1920로 증가할 때 GPU-KAZE의 메모리 활용률은 3배로 증가한 반면, CPU-KAZE는 20배로 증가하여 우수한 메모리 최적화를 보였다.
• 정확한 절차를 동일하게 사용했을 때 GPU 구현과 CPU 구현 모두 약 2200개의 키포인트를 도출하여 특징 검출 정확도가 유지됨을 확인했다.
• 스케일 스페이스 구축(최대 18배)과 키포인트 방향 계산(최대 200배)에서 성능 향상이 가장 두드러졌으며, 기술자 계산은 단일 CPU 스레드 기준 최대 130배의 성능 향상을 기록했다.
• 이 구현은 전체 정밀도를 유지하고 이중 기술자를 사용하지 않아 알고리즘의 강건성에 손실가지 않으면서도 실시간 성능을 달성한다.