В. С. Чуканов, И. В. Штурц
Цена: 50 руб.
За последние годы графические процессоры стали самой высокопроизводительной частью вычислительной системы. Графические процессоры способны запускать сотни потоков одновременно, параллельно обрабатывая множество данных. В этой статье мы рассматриваем случай обработки данных в задачах реконструкции изображений в компьютерной томографии, когда исходная информация сложно разбивается на независимые части для параллельной обработки, и потому классическая схема двойной буферизации не осуществима. Наш метод легко адаптируется под любые размеры входных данных, а также под любое время обработки, что позволяет сбалансировать вычислительный процесс и добиться максимальной производительности.
Ключевые слова: графический процессор, обработка изображений, компьютерная томография, двойная буферизация.
REFERENCES
1. Nickolls, J. (2007, August). GPU Parallel Computing Architecture and CUDA
Programming Model. IEEE Hot Chips 19, Stanford, CA.
2. Lindholm, E., Nickolls, J., Oberman, S., & Montrym, J. NVIDIA Tesla: A unifi ed
graphics and computing architecture. IEEE Micro, 2008, 28(2), 39–55.
3. Jeon, H., Xia, Y., & Prasanna, V.K. Parallel Exact Inference on a CPU-GPGPU
Heterogenous System. Proceeding of the 39th International Conference on Parallel
Processing, 2010, pp. 61–70.
4. Bauer, M., Cook, H., & Khailany, B. CudaDMA: optimizing GPU memory
bandwidth via warp specialization. Proceedings of 2011 International Conference for High Performance Computing, Networking, Storage and Analysis, 2011.
doi:10.1145/2063384.2063400
5. Mokhtari, R., & Stumm, M. BigKernel -- High Performance CPU-GPU Communication Pipelining for Big Data-Style Applications. Proceedings of the 2014
IEEE 28th International Parallel and Distributed Processing Symposium, 2014,
pp. 819–828.
6. Scherl, H., Keck, B., Kowarschik, M., & Hornegger, J. Fast GPU-based CT
reconstruction using the common unifi ed device architecture (CUDA). Nuclear Science
Symposium Conference Record, 2007, Vol. 6, pp. 4464–4466.
