[论文解读] gSLICr: SLIC superpixels at over 250Hz

Carl Yuheng Ren, Victor Adrian Prisacariu+1 more|arXiv (Cornell University)|Sep 14, 2015

Medical Imaging Techniques and Applications参考文献 2被引用 56

一句话总结

本文提出 gSLICr，一种高度优化的 GPU 加速实现的 SLIC 超像素算法，在单个 GPU 上实现了超过 250Hz 的处理速度。通过利用 CUDA 在图像像素和聚类中心之间实现并行执行，其处理速度相比标准顺序 SLIC 最快可提升 83 倍，同时保持完全相同的分割质量。

ABSTRACT

We introduce a parallel GPU implementation of the Simple Linear Iterative Clustering (SLIC) superpixel segmentation. Using a single graphic card, our implementation achieves speedups of up to $83 imes$ from the standard sequential implementation. Our implementation is fully compatible with the standard sequential implementation and the software is now available online and is open source.

研究动机与目标

• 解决计算机视觉流水线中实时超像素分割的性能瓶颈问题。
• 在不牺牲分割质量或紧凑性的情况下，实现实时、快速的超像素生成。
• 提供与原始 SLIC 算法完全兼容的 GPU 加速开源实现。
• 支持低延迟应用场景，如视频跟踪和交互式图像处理。

提出的方法

• 利用 NVIDIA CUDA 框架在 GPU 线程上并行化 SLIC 操作。
• 使用每个像素一个线程的方式将输入的 RGB 图像转换为 CIELAB 颜色空间。
• 使用每个超像素一个线程的方式初始化聚类中心，将其放置在间距为 S = √(N/K) 的规则网格上。
• 通过计算 5D 距离 Dₛ = d_lab + (m/S)·d_xy，将每个像素分配给最近的聚类中心。
• 通过两阶段 GPU 内核更新聚类中心：首先在局部邻域内聚合像素数据，然后进行归约以计算新中心。
• 通过重新标记孤立像素使其匹配其 2×2 邻域内的主要邻居来保证连通性。

实验结果

研究问题

• RQ1 能否通过 GPU 并行计算使 SLIC 超像素算法达到实时性能？
• RQ2 GPU 加速在不降低分割质量的前提下，能将 SLIC 的速度提升多少？
• RQ3 在实现高吞吐量的同时，是否能够保持与原始 SLIC 实现的特征兼容性？
• RQ4 在速度和准确率方面，GPU 加速的 gSLICr 与当前最先进的超像素方法相比表现如何？

主要发现

• gSLICr 对 640×480 图像的处理速度超过 250Hz，实现了真正的实时超像素分割。
• 与原始顺序 CPU 实现的 SLIC 相比，该实现最高可提升 83 倍速度。
• 对于 1000 个超像素的分割任务，gSLICr 在 0.01 秒内处理完 1024×1024 图像，而标准 SLIC 需要 0.73 秒。
• 该方法生成的视觉效果和定量结果与原始 SLIC 算法完全一致，确保了功能兼容性。
• gSLICr 在各种图像尺寸和超像素数量下均保持一致的性能，表现出良好的鲁棒性。
• 开源库已发布于 GitHub，依赖极少，可轻松集成到现有视觉处理流水线中。