Este trabajo describe un nuevo método paralelo para la identicación de targets en imágenes
|
|
- Milagros Morales San Martín
- hace 7 años
- Vistas:
Transcripción
1 Implementación paralela y validación preliminar de un nuevo algoritmo para detectar targets en imágenes hiperespectrales Soraya Blázquez, Sergio Muñoz, Antonio Plaza, Pablo Martínez, Abel Paz Departamento de Tecnología de los Computadores y de las Comunicaciones Escuela Politécnica de Cáceres, Universidad de Extremadura Avda. de la Universidad s/n, E Cáceres {sorayabm, aplaza, pablomar}@unex.es Resumen Este trabajo describe un nuevo método paralelo para la identicación de targets en imágenes hiperespectrales de la supercie terrestre. Los ámbitos de aplicación de la tecnología hiperespectral son múltiples, destacando aplicaciones como detección y caracterización de incendios forestales (incluso a nivel sub-píxel) o identicación de agentes contaminantes en aguas y atmósfera. En este trabajo, desarrollamos un nuevo esquema para la detección automática de objetivos militares mediante la caracterización de rmas espectrales con propiedades diferenciadas en la imagen. El algoritmo ha sido implementado utilizando un método especíco de particionamiento de datos adaptado a las características de imágenes hiperespectrales de muy elevada resolución espacial y espectral. La validación preliminar del método se ha efectuado en una arquitectura paralela de bajo coste. 1. Introducción El asentamiento de la tecnología hiperespectral en aplicaciones de observación remota de la tierra ha dado como resultado el desarrollo de instrumentos de medida de muy elevada resolución en los dominios espacial y espectral [1]. Los sensores hiperespectrales adquieren [2] imágenes digitales en una gran cantidad de canales espectrales muy cercanos entre sí, obteniendo, para cada porción de la escena o píxel, una rma espectral característica de cada material. El resultado de la toma de datos por parte de un sensor hiperespectral sobre una determinada escena puede ser representado en forma de cubo de datos, con dos dimensiones para representar la ubicación espacial de un píxel, y una tercera dimensión que representa la singularidad espectral de cada píxel en diferentes longitudes de onda. La mayoría de las técnicas de análisis hiperespectral desarrolladas hasta la fecha presuponen que la medición obtenida por el sensor en un determinado píxel viene dada por la contribución de diferentes materiales que residen a nivel sub-píxel [3] (ver Fig. 1). El fenómeno de la mezcla puede venir ocasionado por una insuciente resolución espacial del sensor, pero lo cierto es que este fenómeno ocurre de forma natural en el mundo real, por lo que el diseño de técnicas capaces de modelar este fenómeno de manera adecuada resulta imprescindible [4, 5]. Conviene destacar que las técnicas de invetsión utilizadas para desmezclar imágenes hiperespectrales se basan en la realización de operaciones matriciales que resultan muy costosas desde el punto de vista computacional. Sin embargo, el carácter repetitivo de estas operaciones las hace altamente susceptibles de ser implementadas en diferentes tipos de arquitecturas paralelas [6, 7], permitiendo así un incremento signicativo de su rendimiento en términos computacionales y dotando a dichas técnicas de la capacidad de producir una respuesta en tiempo casi real. En este trabajo, proponemos un nuevo al-
2 Figura 1: Concepto de imagen hiperespectral. goritmo paralelo que utiliza conceptos propios del modelo lineal de mezcla en combinación con técnicas de proyección ortogonal para detectar objetos de interés o targets en imágenes hiperespectrales [8]. En este trabajo, asociamos el concepto de target a objetivos militares, en el sentido de que la validación del algoritmo se ha efectuado utilizando una imagen hiperespectral utilizada para medir la precisión a la hora de detectar material armamentístico camuado [9]. Asimismo, este trabajo explora la posibilidad de obtener resultados de detección en tiempo casi real utilizando una arquitectura paralela de bajo coste, en nuestro caso, un cluster de computación de tipo Beowulf con un número limitado de procesadores. El trabajo se organiza del siguiente modo. En la sección 2 describimos el método de detección propuesto, proporcionando una implementación serie del mismo. La sección 3 presenta la implementación paralela, distinguiendo entre dos posibles tipos de particionamiento de datos (espacial y espectral). En la sección 4 evaluamos la precisión del algoritmo en cuanto a detección de targets y la eciencia de la implementación paralela. Finalmente, la sección 5 resume las principales aportaciones de nuestra contribución y enumera una serie de posibles líneas futuras de trabajo. 2. Detección de targets Para el desarrollo de un nuevo algoritmo paralelo para detección de targets se propone una variación del algoritmo automated target generation process (ATGP) [9, 10], basada en la utilización del ángulo espectral o spectral angle distance (SAD) [2, 3] como distancia base (alternativa a un método basado en proyecciones ortogonales [11]) a la hora de obtener nuevos targets. Esta medida se caracteriza por su capacidad para extraer rmas espectrales altamente representativas de los diferentes componentes presentes en la escena, por su robustez frente a condiciones de iluminación variables en la escena, y por su alta regularidad, lo cual la convierte en una medida altamente paralelizable y susceptible de ser implementada de forma eciente utilizando computación de altas prestaciones. A continuación, se describe el funcionamiento del nuevo algoritmo de detección de targets propuesto en este trabajo, denominado SAD-ATGP. Los parámetros de entrada del algoritmo son una imagen hiperespectral F y un número de targets a detectar, p. La sal-
3 ida del algoritmo el un conjunto de p targets (vectores) que se corresponden con píxels reales de la imagen, y que será denotado como {t (1), t (2),, t (p) }. 1. Calcular t (1), el píxel más brillante de la imagen, utilizando la siguiente expresión, donde F(x, y) es el píxel (vector) en las coordenadas espaciales (x, y) de la imagen. Como puede comprobarse, el píxel más brillante es aquel que resulta en mayor valor al realizar el producto vectorial entre el vector asociado a dicho píxel y su transpuesto F(x, y) T. t (1) = argmax (x,y) {F(x, y) T F(x, y) (1) 2. Asignar el primer target encontrado a una matriz U = t (1). 3. Calcular un valor de disimilaridad espectral de todos y cada uno de los píxels de la imagen con respecto al target inicial t (1) utilizando la siguiente expresión, basada en la distancia angular. ( ) SAD(F(x, y), U) = cos 1 F(x, y) t (1) F(x, y) t (1) (2) 4. Calcular un segundo target t (2) seleccionando el píxel F(x, y) con mayor valor SAD(F(x, y), U) asociado, y añadir dicho target a la matriz U = (t (1), t (2) ). 5. Calcular un nuevo valor de disimilaridad espectral de todos y cada uno de los píxels de la imagen con respecto al conjunto de targets calculado hasta este momento, es decir, t (1) y t (2), mediante: ( ) F(x, y) cos 1 t (1) + F(x, y) t (1) + cos 1 ( F(x, y) t (2) F(x, y) t (2) ) (3) 6. Continuar el proceso para generar un tercer target t (3), un cuarto target t (4), y así sucesivamente. Dichos targets serán añadidos sucesivamente a la matriz U. La condición de terminación del algoritmo es alcanzar un número de targets, p, determinado a priori como parámetro de entrada al mismo. 3. Diseño del algoritmo paralelo 3.1. Particionamiento de datos La división de los datos previa al procesamiento paralelo de una imagen hiperespectral puede hacerse de dos formas claramente diferenciadas [12]: Particionamiento espectral. Considera que diferentes procesadores de la arquitectura paralela pueden contener partes no solapadas de una misma rma espectral (píxel). Este esquema tiene la desventaja de que, al considerarse la rma espectral (vector) como unidad mínima de procesamiento para el algoritmo SAD-ATGP, se introducirían varias operaciones de comunicación para cada cálculo de la distancia SAD. Dado el enfoque del algoritmo, basado en calcular de forma repetitiva numerosas operaciones de tipo SAD, este tipo de particionamiento resultaría altamente costoso en cuanto a comunicaciones [13]. Particionamiento espacial. Considera que una misma rma espectral (píxel) no puede estar particionada en diferentes unidades de proceso de la arquitectura paralela [14, 15]. La ventaja de este esquema es que las unidades mínimas de cómputo (cálculos de la distancia SAD) podrían realizarse de forma local en cada procesador, limitando las operaciones de comunicación a sincronizaciones globales entre los diferentes procesadores durante el proceso de identicación de nuevos targets. Teniendo en cuenta las consideraciones anteriormente descritas, hemos optado por un particionamiento de tipo espacial [6] a la hora de implementar el algoritmo SAD-ATGP. A continuación, describimos de forma resumida los diferentes pasos que tienen lugar en el proceso de particionamiento, ilustrado en la Fig. 2:
4 Figura 2: Particionamiento de datos adoptado para el algoritmo SAD-ATGP. 1. Obtener la imagen del archivo. 2. Dividir la imagen en bloques de píxels (siendo la profundidad el número de bandas; el alto el número de columnas y el ancho las líneas). 3. Particionar el cubo de datos y asignar cada partición a un procesador. En la Fig. 2, suponemos que tenemos 3 procesadores y una imagen con 16 píxels. La división puede realizarse dividiendo el número total de líneas por el número de procesadores y teniendo en cuenta la velocidad de cómputo de cada procesador. 4. Particionar la imagen atendiendo al número de procesadores esclavos en la arquitectura paralela, dejando el resto de la imagen en un procesador maestro Implementación paralela A la hora de realizar la paralelización del algoritmo SAD-ATGP, es necesario incluir una serie de cambios dentro del algoritmo secuencial original, de forma que se permita reducir las comunicaciones y explotar al máximo la potencia de cálculo de los sistemas masivamente paralelos. La principal modicación con respecto al algoritmo serie consiste en que, en lugar de recibir inicialmente el más brillante y luego realizar el cálculo de los más extremos (hablando en términos de ángulo espectral), cada procesador esclavo procede a calcular una función que lo único que realizaría es una nueva iteración del algoritmo SAD-ATGP original con el nuevo conjunto de datos o bien con el nuevo vector introducido de nuevo. Llegados a este punto, tenemos dos opciones de implementación: Comunicar el conjunto de datos que ya teníamos de la fase anterior junto con los nuevos targets extremos seleccionados. Comunicar el nuevo target y realizar el cálculo sobre todos los píxels de la subimagen, almacenando los valores intermedios para realizar una actualización de los mismos con los nuevos ángulos espectrales calculados a lo largo del proceso. Teniendo en cuenta las características de las dos opciones anteriormente mencionadas, hemos optado por elegir la primera para evitar paso de mensajes entre los nodos y así evitar la sobrecarga computacional introducida por el proceso masivo de paso de mensajes en la segunda opción. Teniendo presentes las anteriores consideraciones, procedemos a describir los diferentes pasos ejecutados por nuestra versión paralela de SAD-ATGP:
5 1. El procesador maestro divide la imagen hiperespectral original F en un conjunto de K particiones mediante los siguientes pasos claramente diferenciados: a) Calcular el número promedio de píxels en cada partición dividiendo el número total de líneas por el número de procesadores, con lo que los primeros K 1 procesadores reciben aproximadamente la misma cantidad de información. b) El último procesador (K) recibe el resto de líneas que no hayan sido asignadas a los primeros K 1 procesadores (conviene destacar que esta implementación, adaptada a sistemas paralelos homogéneos, debería ajustarse para el caso de un sistema paralelo heterogéneo. 2. Cada procesador esclavo busca, en paralelo, el píxel con mayor intensidad (más brillante) en su partición local, utilizando t (1) i = argmax (x,y) {F(x, y) T F(x, y)}, donde i = {1,, K 1}. 3. Cada procesador esclavo envía al procesador maestro las coordenadas espaciales (x, y) del píxel identicado como el más brillante en la partición local, así como el valor asociado a dicho píxel. 4. El procesador maestro recibe la información de los diferentes procesadores esclavo y calcula el píxel más brillante de la imagen, t (1), seleccionando el píxel (vector) con mayor valor asociado de todos los píxels en las coordenadas proporcionadas por los esclavos, y después asigna U = t (1) para inicializar el algoritmo. El maestro reeenvía (mediante un broadcast) la matriz U a todos los procesadores esclavo. 5. Cada procesador esclavo busca, en paralelo, el píxel t (2) i en la partición local con mayor distancia SAD relativa a todos los vectores en la matriz U, que de momento solamente contiene un píxel: t (1) i. Este proceso se realiza calculando, para cada píxel en la partición local, el valor de la expresión descrita en la ecuación Una vez identicado el píxel con mayor distancia SAD con respecto a los píxels en U en cada partición local, cada procesador esclavo envía al procesador maestro las coordenadas espaciales (x, y) del píxel identicado en la partición local, así como el valor asociado a dicho píxel. 7. El procesador maestro identica un nuevo target t (2) i seleccionando el píxel (vector) con mayor valor asociado de todos los píxels en las coordenadas proporcionadas por los esclavos, y asigna U = (t (1), t (2) ). El maestro reeenvía (mediante un broadcast) la matriz U actualizada a todos los procesadores esclavo. 8. Cada procesador esclavo busca, en paralelo, el píxel t (3) i en la partición local con mayor distancia SAD relativa a todos los vectores en la matriz U, actualmente formada por dos píxels: t (1) y t (2). Este proceso se realiza calculando, para cada píxel en la partición local, el valor de la expresión descrita en la ecuación De nuevo, cada procesador esclavo envía al procesador maestro las coordenadas espaciales (x, y) del píxel identicado en la partición local, así como el valor asociado a dicho píxel. 10. Continuar el proceso hasta que un conjunto de píxels, {t (1), t (2),, t (p) } han sido identicados, utilizando la siguiente expresión para calcular los valores SAD asociados a cada uno de los p píxels que componen la matrix U al nal del proceso de selección de targets. ) ( p SAD(F(x, y), U) = cos 1 F(x, y) t (i) i=1 F(x, y) t (i) (4) 4. Resultados El algoritmo SAD-ATGP ha sido evaluado en el contexto de una aplicación real basada en
6 la detección de objetivos militares camuados, en el marco de una campaña experimental realizada por el ejército de Estados Unidos. Dicha campaña estuvo orientada a la detección de targets de distintos tamaños en escenarios naturales dominados por abundante vegetación. Para simular dicho escenario, se efectuó un proceso controlado en el que una matriz de paneles articiales fue colocada arti- cialmente en un escenario natural y a continuación se llevó a cabo un proceso de toma de datos utilizando el sensor hyperspectral digital collection experiment (HYDICE). El resultado fue una imagen hiperespectral con tamaño de píxels y 169 bandas espectrales (tras eliminar los canales ruidosos) en un rango espectral comprendido entre 0,4 y 2, 5µm. El algoritmo paralelo fue implementado utilizando el lenguaje de programación C++ con llamadas a Message Passing Interface (MPI) y portado a un pequeño cluster de 16 procesadores Intel(R) Pentium(R) 4 a 2.80 MHz, cada uno de los cuales con 256 MB de RAM. Destacamos que en los resultados descritos en el presente trabajo se han usado 4 de los 16 nodos del cluster para ilustrar el rendimiento del algoritmo paralelo en un número limitado de procesadores. En primer lugar, realizamos un estudio estadístico donde se analizaron estadísticamente (utilizando el coeciente de correlación de Pearson) las rmas espectrales obtenidas como targets por el algoritmo secuencial (mucho más eciente computacionalmente que la versión paralela ejecutada en un sólo procesador) y por el algoritmo paralelo, utilizando un número máximo de targets a detectar de p = 5 en ambos casos. Experimentalmente, observamos que los valores obtenidos seguían una correlación lineal, lo indica que ambos algoritmos conseguían espectros muy similares (esta armación fué corroborada calculando el ángulo espectral entre todos los pares posibles de espectos obtenidos). Una vez comprobado que los resultados proporcionados por la versión paralela son esencialmente idénticos a los obtenidos por la versión secuencial, analizamos el incremento de rendimiento de la versión serie con respecto a Figura 3: Tiempos de procesamiento en cada nodo del cluster al ejecutar el algoritmo paralelo SAD- ATGP (con p = 5) utilizando 4 procesadores. la versión paralela en la arquitectura paralela anteriormente descrita. La Fig. 3 muestra el tiempo empleado por cada procesador del cluster en el proceso de detección de targets realizado por el algoritmo paralelo SAD-ATGP, utilizando p = 5 y 4 procesadores (1 maestro y 3 esclavos). Como puede apreciarse en la Fig. 3, cada procesador emplea aproximadamente medio segundo en procesar su correspondiente porción, lo cual signica que la carga de trabajo está balanceada entre los distintos procesadores y que ninguno de los nodos del cluster realiza comparativamente más tareas que otro. Esto indica que la carga de trabajo asignada al procesador maestro está también balanceada, lo cual es importante ya que éste procesador se encarga de la coordinación global del resto de nodos y también de tareas secuenciales que no pueden efectuarse en paralelo, como indica la descripción algorímica del algoritmo SAD- ATGP. También conviene destacar que el algoritmo paralelo es capaz de proporcionar resultados en tiempo casi real al procesar la imagen HYDICE utilizando un número muy limitado de procesadores. Por otra parte, la Fig. 4 muestra los speedups obtenidos por la versión paralela de SAD-ATGP, ejecutada utilizando diferentes números de procesadores, con respecto a la versión secuencial del algoritmo. Como puede apreciarse, los speedups no siguen una progresión lineal, saturándose a medida que el número de procesadores aumenta. Esto se debe, fundamentalmente, al reducido tamaño de la imagen lo cual motiva que, al aumentar el número de procesadores, la negociación de mensajes entre el procesador maestro y los procesadores esclavos llegue a consumir más
7 prestaciones, tales como el supercomputador Thunderhead de NASA Goddard Space Flight Center (ver para detalles adicionales sobre esta arquitectura). 5. Conclusiones y líneas futuras Figura 4: Speedups de la versión paralela de SAD- ATGP (con p = 5) respecto a la versión secuencial, utilizando diferentes números de procesadores. Figura 5: Tiempos de ejecución de la versión secuencial del algoritmo considerando valores del parámetro p (número de targets a detectar) comprendidos entre p = 1 y p = 18. tiempo que el propio cálculo. Finalmente, y por razones ilustrativas, la Fig. 5 muestra la evolución en los tiempos de procesamiento obtenidos por la versión secuencial en función del número de targets a detectar por el algoritmo (parámetro p). Como puede apreciarse, los incrementos en los tiempos a medida que el número de targets aumentan de forma lineal. Este mismo efecto se observa en la versión paralela del algoritmo. A pesar de que los resultados preliminares de validación del algoritmo SAD-ATGP en el contexto de una aplicación real descritos en este trabajo son prometedores, es aún preciso optimizar signicativamente la versión paralela para mejorar su escalabilidad y el balance entre computación y comunicación. Para profundizar en dichos aspectos, en la actualidad estamos experimentando con imágenes hiperespectrales mucho mayores en tamaño (en torno a 1 GB, frente a los 15 MB de la imagen HYDICE utilizada en este trabajo) y empleando sistemas paralelos de mucho mayores En el presente trabajo se ha propuesto un nuevo algoritmo paralelo, denominado SAD- ATGP, para la detección automática de targets en imágenes hiperespectrales de gran dimensionalidad en el dominio espectral. El algoritmo ha sido evaluado, en el contexto de una aplicación basada en detección de objetivos militares, utilizando una arquitectura paralela de bajo coste. Los resultados obtenidos indican que el algoritmo propuesto es capaz de proporcionar resultados en tiempo casi real en un caso de estudio marcado por el reducido tamaño de la imagen hiperespectral considerada. Es preciso realizar estudios adicionales con vistas a evaluar el rendimiento del algoritmo paralelo propuesto utilizando imágenes hiperespectrales de mayor dimensionalidad, y arquitecturas paralelas con un mayor número de procesadores. Entre las líneas futuras de trabajo previstas, destacamos las siguientes. En primer lugar, tenemos previsto realizar una evaluación más detallada del método SAD-ATGP, utilizando para ello imágenes sintéticas y reales. Las pruebas realizadas hasta el momento han sido de tipo preliminar, por lo que es previsible que la realización de experimentos adicionales traiga como consecuencia alguna modicación en el diseño del algoritmo como, por ejemplo, la incorporación de distancias adicionales. En este sentido, la utilización de distancias no lineales como la divergencia espectral (SID), así como distancias de segundo orden, podría dar lugar a mejores resultados en cuanto a la detección de targets en distintas aplicaciones. También estamos trabajando en implementaciones del algoritmo SAD-ATGP en diferentes tipos de arquitecturas paralelas, tales como redes heterogéneas de procesadores o arquitecturas hardware orientadas al procesamiento a bordo, como por ejemplo módulos hardware
8 recongurables (FPGAs) o tarjetas grácas programables (GPUs) [16]. Finalmente, tenemos previsto implementar el algoritmo paralelo propuesto en plataformas heterogéneas distribuidas de tipo Grid. Referencias [1] Goetz, A. F. H., Vane, G. y Solomon, J. E. Imaging spectrometry for Earth remote sensing, Science, vol. 228, pp , [2] Green, R.O. et al., Imaging spectroscopy and the airborne visible/infrared imaging spectrometer (AVIRIS), Remote Sensing of Environment, vol. 65,pp , [3] Landgrebe, D., Hyperspectral image data analysis, IEEE Signal Processing Magazine, vol. 19, no. 1, pp , [4] Guilfoyle, K.J., Althouse, M.L., Chang, C.- I, A quantitative and comparative analysis of linear and nonlinear spectral mixture models using radial basis function neural networks. IEEE Transactions on Geoscience and Remote Sensing, vol. 39, pp , [5] Plaza, A. y Chang, C.-I, Impact of Initialization on Design of Endmember Extraction Algorithms. IEEE Transactions on Geoscience and Remote Sensing, vol. 44, no. 11, pp , [6] Plaza, A., Valencia, D., Plaza, J. y Martínez, P., Commodity cluster-based parallel processing of hyperspectral imagery. Journal of Parallel and Distributed Computing, vol. 66, pp , [7] Plaza, A. y Chang, C.-I, High performance computing in remote sensing, Chapman & Hall/CRC Press, [8] Manolakis, D., Shaw, G., Detection algorithms for hyperspectral imaging applications. IEEE Signal Processing Magazine, vol. 19, pp , [9] Ren, H. y Chang, C.-I, Automatic spectral target recognition in hyperspectral imagery. IEEE Transactions on Aerospace and Electronic Systems, vol. 39, no. 4, pp , [10] Plaza, A., Valencia, D., Blázquez, S. y Plaza, J., Parallel detection of targets in hyperspectral images using heterogeneous networks of workstations. 15th EUROMI- CRO International Conference on Parallel, Distributed and Network-Based Processing, pp , [11] Harsanyi, J.C. y Chang, C.-I, Hyperspectral image classication and dimensionality reduction: an orthogonal subspace projection approach. IEEE Transactions on Geoscience and Remote Sensing, vol. 32, no. 4, pp , July, [12] Plaza, A., Plaza, J. y Valencia, D., Impact of platform heterogeneity on the design of parallel algorithms for morphological processing of high-dimensional image data. Journal of Supercomputing, vol. 40, pp , [13] Sano, K., Kobayashi, Y., Nakamura, T., Dierential coding scheme for ecient parallel image composition on a PC cluster system. Parallel Computing, vol. 30, pp , [14] Le Moigne, J., Campbell, W., Cromp, R., Parallel image registration technique of multiple source remote sensing data. IEEE Transactions on Geoscience and Remote Sensing, vol. 40, pp , [15] Gualtieri, J.A., Parallel processing algorithm for remote sensing classication. Proceedings Airborne Earth Science Workshop, Pasadena, California, [16] Setoain, J., Prieto, M., Tenllado, C., Plaza, A. y Tirado, F., Parallel morphological endmember extraction using commodity graphics hardware. IEEE Geoscience and Remote Sensing Letters, vol. 43, 2007.
Clusters frente a GPUs para Detección Automática de Objetivos en Imágenes Hiperespectrales de la Superficie Terrestre
Clusters frente a GPUs para Detección Automática de Objetivos en Imágenes Hiperespectrales de la Superficie Terrestre Abel Paz Grupo Computación Hiperespectral (HYPERCOMP) Dept. Tecnología de Computadores
Más detallesUNIVERSIDAD DE EXTREMADURA
UNIVERSIDAD DE EXTREMADURA ESCUELA POLITÉCNICA DE CÁCERES INGENIERÍA INFORMÁTICA PROYECTO FIN DE CARRERA Implementación paralela y validación de nuevos algoritmos para detección Director: Antonio Plaza
Más detallesResumen La presente memoria resume el trabajo de investigación realizado por el doctorando Abel Francisco Paz Gallardo. En concreto, el presente
2011 Agradecimientos La realización del presente trabajo no hubiese sido posible sin la colaboración de una serie de personas y organismos a los que el candidato quiere agradecer por sus aportaciones
Más detallesAlgoritmos de extracción de endmembers en imágenes hiperespectrales
Revista de Teledetección. 2004. 21: 101-105 Algoritmos de extracción de endmembers en imágenes hiperespectrales A. Plaza, P. Martínez, J. Plaza, R. M. Pérez, P. L. Aguilar, M. C. Cantero aplaza@unex.es
Más detallesUniversidad de Extremadura
Universidad de Extremadura Escuela Politécnica Ingeniería Informática PROYECTO FIN DE CARRERA Diseño de algoritmos paralelos para detección de cambios en imágenes de satélite Autor: Director: Antonio Plaza
Más detallesAlgoritmos paralelos para la Multiplicación de Matrices
Introducción Paralelizar onclusiones Trabajo ibliografía lgoritmos paralelos para la Multiplicación de Matrices Universidad de Murcia - UM 18 de diciembre de 2008 Introducción Paralelizar onclusiones Trabajo
Más detallesSintonización Dinámica de Aplicaciones MPI
Sintonización Dinámica de Aplicaciones MPI Presentado por: Andrea Martínez Trujillo 13 de Julio 2010 Directores: Anna B. Morajko Joan Sorribes Contenido Motivación Objetivo Proceso de sintonización dinámica
Más detallesImplementación Hardware de Aplicaciones de la Pirámide
Implementación Hardware de Aplicaciones de la Pirámide Marco Aurelio Nuño Maganda 1, Miguel Arias Estrada 1, Claudia Feregrino Uribe 1 1 Instituto Nacional de Astrofísica, Óptica y Electrónica. Luis Enrique
Más detallesM. García García. ETSIA Universidad Politécnica de Madrid
Ecosistemas 13 (2): 103-107. Mayo 2004. http://www.revistaecosistemas.net/articulo.asp?id=152 Respuesta de la vegetación a variaciones climáticas en las praderas y sistemas adehesados mediterráneos. Metodología
Más detallesParalelización alternativa del algoritmo de Clasificación DER
Paralelización alternativa del algoritmo de Clasificación DER Cecilia Sanz LIDI (Laboratorio de Investigación y desarrollo en informática) Facultad de Informática, Universidad Nacional de La Plata La Plata
Más detallesArquitecturas: Clusters. Edgar Valderrama Lucio Mederos
Arquitecturas: Clusters Edgar Valderrama Lucio Mederos Qué es un cluster? Es un sistema compuesto por varias computadoras (nodos) unidas por una red que se comporta como una única entidad. De un cluster
Más detallesAnálisis de la implementación del algoritmo de Backpropagation aplicado al procesamiento de imágenes satelitales sobre un entorno distribuido
UNIVERSIDAD TÉCNICA PARTICULAR DE LOJA ESCUELA DE CIENCIAS DE LA COMPUTACIÓN Análisis de la implementación del algoritmo de Backpropagation aplicado al procesamiento de imágenes satelitales sobre un entorno
Más detallesAnálisis de mezclas espectrales
Análisis de mezclas espectrales Apellidos, nombre Ruiz Fernández, Luis Ángel (laruiz@cgf.upv.es) Departamento Centro Ingeniería Cartográfica, Geodesia y Fotogrametría ETSI. Geodésica, Cartográfica y Topográfica
Más detallesCOMPUTACIÓN DE ALTA PERFORMANCE 2013
COMPUTACIÓN DE ALTA PERFORMANCE Curso 2013 Sergio Nesmachnow (sergion@fing.edu.uy) Santiago Iturriaga (siturria@fing.edu.uy) Grupo de Procesamiento Paralelo Aplicado Centro de Cálculo TEMA 3 PROGRAMACIÓN
Más detallesGranularidad y latencia
Niveles de paralelismo y latencias de comunicación Niveles de paralelismo. Granularidad o tamaño de grano. Latencia de comunicación. Particionado de los programas. Empaquetado de granos. Planificación
Más detallesAndres Felipe Rojas / Nancy Gelvez. UNESCO UNIR ICT & Education Latam Congress 2016
Distributed processing using cosine similarity for mapping Big Data in Hadoop (Procesamiento distribuido usando similitud de coseno para mapear Big Data en Haddop) Andres Felipe Rojas / Nancy Gelvez UNESCO
Más detallesMétodos de modelado y clasificación de patrones. clasificación de patrones
FUNDAMENTOS DEL RECONOCIMIENTO AUTOMÁTICO DE LA VOZ Métodos de modelado y clasificación de patrones Agustín Álvarez Marquina Introducción. Modelado y clasificación de patrones Objetivos: Agrupar el conjunto
Más detallesRedes de Altas Prestaciones
Redes de Altas Prestaciones Tema 1: Introducción Características de los sistemas distribuidos Necesidad de las arquitecturas de red de altas prestaciones Organización de la asignatura Características de
Más detallesAPLICACIÓN DE TÉCNICAS DE PROCESADO DIGITAL A IMÁGENES TERRA-MODIS PARA CARTOGRAFÍA DE ÁREAS INCENDIADAS
APLICACIÓN DE TÉCNICAS DE PROCESADO DIGITAL A IMÁGENES TERRA-MODIS PARA CARTOGRAFÍA DE ÁREAS INCENDIADAS Autoras: Vanesa Gordillo Alonso Patricia Martín Panero Tutora: Dra. Carmen Quintano Pastor INDICE
Más detallesCOMPARACIÓN DE MODELOS DE SINCRONIZACIÓN EN PROGRAMACIÓN PARALELA SOBRE CLUSTER DE MULTICORES
COMPARACIÓN DE MODELOS DE SINCRONIZACIÓN EN PROGRAMACIÓN PARALELA SOBRE CLUSTER DE MULTICORES Autor: A.P.U. Enzo Rucci Director: Ing. Armando E. De Giusti Co-Director: Lic. Franco Chichizola Tesina de
Más detallesTEMA 4 PROCESAMIENTO PARALELO
TEMA 4 PROCESAMIENTO PARALELO Tipos de plataformas de computación paralela Organización lógica Organización física Sistemas de memoria compartida Sistemas de memoria distribuida Tipos de plataformas de
Más detallesEstructura de Datos Espaciales. por José Antonio Navarrete Pacheco INTRODUCCIÓN
Estructura de Datos Espaciales por José Antonio Navarrete Pacheco INTRODUCCIÓN 1 FENÓMENOS GEOGRÁFICOS Definición: Es algo de interés que: Puede ser medido o descrito Puede ser georreferido o georreferenciado,
Más detallesAlgoritmos en Árbol y Grafo Computación Pipeline
Metodología de la Programación Paralela 2015-2016 Facultad Informática, Universidad de Murcia Esquemas algorítmicos paralelos: Algoritmos en Árbol y Grafo Computación Pipeline Domingo Giménez (Universidad
Más detallesParalelización de problemas de recorrido de árboles Trabajadores replicados y esquema maestro esclavo
Metodología de la Programación Paralela 2015-2016 Facultad Informática, Universidad de Murcia Esquemas algorítmicos paralelos: Paralelización de problemas de recorrido de árboles Trabajadores replicados
Más detallesParalelismo _Arquitectura de Computadoras IS603
Paralelismo _Arquitectura de Computadoras IS603 INTRODUCCION El objetivo de esta investigación, es conceptualizar las diferentes tipos de paralelismo referente al área de Arquitectura de Computadoras,
Más detallesESQUEMA DE PARALELIZACIÓN PARA LA SIMULACIÓN DE REDES DE GASODUCTOS EN ESTADO ESTACIONARIO Y TRANSITORIO
ESQUEMA DE PARALELIZACIÓN PARA LA SIMULACIÓN DE REDES DE GASODUCTOS EN ESTADO ESTACIONARIO Y TRANSITORIO Carlos F. Torres-Monzón ctorres@ula.ve Laboratorio de Turbomáquinas, Facultad de Ingeniería, Universidad
Más detallesCon estas consideraciones, Flynn clasifica los sistemas en cuatro categorías:
Taxonomía de las arquitecturas 1 Introducción Introducción En este trabajo se explican en detalle las dos clasificaciones de computadores más conocidas en la actualidad. La primera clasificación, es la
Más detallesImplementación y Evaluación del algoritmo de sincronización RBS para redes inalámbricas de sensores
PROYECTO DE TESIS DE MAESTRÍA EN INGENÍERIA DE TELECOMUNICACIONES Implementación y Evaluación del algoritmo de sincronización RBS para redes inalámbricas de sensores Alumno: Seyed Mohammad Pakdaman Tutor:
Más detallesTaxonomía de las arquitecturas
Taxonomía de las arquitecturas 1 INTRODUCCIÓN 2 2 CLASIFICACIÓN DE FLYNN 3 2.1 SISD (SINGLE INSTRUCTION STREAM, SINGLE DATA STREAM) 3 2.2 SIMD (SINGLE INSTRUCTION STREAM, MULTIPLE DATA STREAM) 4 2.2.1
Más detallesServet: una suite de benchmarks para el soporte del autotuning en clusters de sistemas multinúcleo
1/41 Servet: una suite de benchmarks para el soporte del autotuning en clusters de sistemas multinúcleo Jorge González-Domínguez*, Guillermo L. Taboada, Basilio B. Fraguela, María J. Martín, Juan Touriño
Más detallesUniversidad Nacional Autónoma de México Instituto de Geofísica
Universidad Nacional Autónoma de México Instituto de Geofísica Aplicación del Cómputo Paralelo a la Modelación de Sistemas Continuos en Ciencias e Ingeniería Presentan: Antonio Carrillo Ledesma Ismael
Más detallesBalance Dinámico de Carga en Super-Cómputo
Balance Dinámico de Carga en Super-Cómputo Dr. Manuel Aguilar Cornejo Presentación elaborada por: Juan Santana Santana 1 Introducción Balance dinámico de carga Librería DLML Algoritmo utilizando una topología
Más detallesDescripción en VHDL de arquitecturas para implementar el algoritmo CORDIC
Capítulo 5 Simulación y verificación de las descripciones Luego de describir un circuito digital, éste debe ser simulado para verificar y validar su comportamiento. Se realizaron simulaciones para verificar
Más detallesDEPARTAMENTO DE TECNOLOGÍA DE LOS COMPUTADORES Y DE LAS COMUNICACIONES
DEPARTAMENTO DE TECNOLOGÍA DE LOS COMPUTADORES Y DE LAS COMUNICACIONES ESCUELA POLITÉCNICA DE CÁCERES Diseño e implementación de una cadena completa para desmezclado de imágenes hiperespectrales en tarjetas
Más detallesBases de Datos Paralelas. Carlos A. Olarte BDII
Carlos A. Olarte (carlosolarte@puj.edu.co) BDII Contenido 1 Introducción 2 Paralelismo de I/O 3 Paralelismo entre Consultas 4 OPS Introducción Por qué tener bases de datos paralelas? Tipos de arquitecturas:
Más detallesClasificación de imágenes digitales utilizando patrones N-dimensionales
Clasificación de imágenes digitales utilizando patrones N-dimensionales Sanz, Cecilia 1 De Giusti, Armando 2 {csanz, degiusti}@lidi.info.unlp.edu.ar LIDI. Laboratorio de Investigación y Desarrollo en Informática
Más detallesDiseño de Algoritmos Paralelos Prof. Gilberto Díaz
Universisdad de Los Andes Facultad de Ingeniería Escuela de Sistemas Diseño de Algoritmos Paralelos Prof. Gilberto Díaz gilberto@ula.ve Departamento de Computación, Escuela de Sistemas, Facultad de Ingeniería
Más detallesUN SISTEMA DE VIDEO VIGILANCIA PARA DETECCIÓN DE CAÍDAS
UNIVERSIDAD DE MÁLAGA ESCUELA TÉCNICA SUPERIOR DE INGENIERÍA INFORMÁTICA INGENIERÍA SUPERIOR EN INFORMÁTICA ANTEPROYECTO UN SISTEMA DE VIDEO VIGILANCIA PARA DETECCIÓN DE CAÍDAS DIRECTOR DEL PROYECTO: FIRMA:
Más detallesAntonio Carrillo Ledesma Ismael Herrera Revilla
Universidad Nacional Autónoma de México Instituto de Geofísica Aplicación del Cómputo Paralelo a la Modelación de Sistemas Continuos en Ciencias e Ingeniería Mediante el Método FETI Dual-Primal Presentan:
Más detallesParalelismo Relajado Paralelismo Síncrono
Metodología de la Programación Paralela Facultad Informática, Universidad de Murcia Esquemas algorítmicos paralelos: Paralelismo Relajado Paralelismo Síncrono Domingo Giménez (Universidad de Murcia) 1
Más detallesConcurrencia y Paralelismo
Concurrencia y Paralelismo Carrera: Ingeniería en Computación Profesor Responsable: Naiouf, Ricardo Marcelo Año: 4º Duración: Semestral Carga Horaria Semanal: 6hs Carga Horaria Total: 96hs Objetivos Generales
Más detallesTécnicas Avanzadas de Visión por Computador
Técnicas Avanzadas de Visión por Computador Sistemas Informáticos Avanzados Índice Introducción. Registrado basado en grises. Funciones criterio. Métodos de minimización. Registrado multimodal. Registrado
Más detallesPrograma. Conjunto de elementos que interaccionan con una computadora ofreciendo una salida a una entrada ( programa ).
Tema 2: Sistemas Computacionales Conjunto de elementos que interaccionan con una computadora ofreciendo una salida a una entrada ( programa ). Programa Input Condiciones del problema Output Solución del
Más detallesResumen. Este trabajo se divide principalmente en 2 partes:
DISEÑO DE UNA RED NEURONAL RECURRENTE MEDIANTE LA UTILIZACIÓN DE BLOQUES DSP CON XILINX SYSTEM GENERATOR, IMPLEMENTADA EN TIEMPO REAL EN DISPOSITIVOS RECONFIGURABLES Resumen Juan J. Raygoza P, Susana Ortega
Más detallesMINUTA: Taller en UAEMEX, Toluca. Construcción de Tecnología HPC
MINUTA: Taller en UAEMEX, Toluca Construcción de Tecnología HPC de MESA: Taller DE construcción de Tacnología HPC Sesión: # 1 a la 5 INFORMACIÓN GENERAL FECHA: 213 al 17 de julio 2015 Construcción de Tecnología
Más detallesPROGRAMA DE ESTUDIO Área de Formación : Fecha de elaboración: 28 de mayo de 2010 Fecha de última actualización:
PROGRAMA DE ESTUDIO Programa Educativo: Área de Formación : Licenciatura en Sistemas Computacionales Integral profesional Horas teóricas: 2 Horas prácticas: 2 Total de Horas: 4 Cómputo paralelo Total de
Más detallesCarga de trabajo (Workload)
La Carga de Trabajo Definición y Selección Prof. Mariela J. Curiel H. Carga de trabajo (Workload) Definición: El término carga de trabajo se usa para designar todos los requerimientos introducidos al sistema
Más detallesUNIVERSIDAD DE EXTREMADURA
UNIVERSIDAD DE EXTREMADURA Escuela Politécnica Ingeniería Informática Proyecto Fin de Carrera Desarrollo de algoritmos de análisis de imágenes hiperespectrales en tarjetas gráficas NVidia Sergio Sánchez
Más detallesArquitectura FPGA para un Procesador Matricial
Arquitectura FPGA para un Procesador Matricial Miguel Morales-Sandoval, Moisés Pérez-Gutiérrez, Claudia Feregrino-Uribe, Miguel Arias-Estrada Coordinación de Ciencias Computacionales Instituto Nacional
Más detallesEn estas primeras líneas de la memoria se presenta un resumen del Trabajo de Fin de Máster realizado.
Índice de contenido 1. Introducción 9 1.1. Motivaciones... 11 1.2. Objetivos. 12 1.3. Estructura de la memoria 13 2. Resumen del estado del arte.. 15 3. Imágenes hiperspectrales. 19 3.1. Concepto de imagen
Más detallesLA espectroscopía de imágenes, también conocida como
XVII JORNADAS DE PARALELISMO ALBACETE, SEPTIEMBRE 2006 1 Procesamiento paralelo de imágenes hiperespectrales utilizando unidades de procesamiento gráfico domésticas J. Setoain, C. Tenllado, M. Prieto,
Más detallesGRADO EN INGENIERÍA DE COMPUTADORES
GRADO EN INGENIERÍA DE COMPUTADORES Tema 1 Departamento Introducción al de paralelismo Automática Prof. Dr. José Antonio de Frutos Redondo Curso 2015-2016 Tema 1: Introducción Necesidad del procesamiento
Más detallesARQUITECTURAS PARA PROCESAMIENTO PARALELO
1 de 6 27/11/11 13:08 ARQUITECTURAS PARA PROCESAMIENTO PARALELO Facultad de Ingeniería de Sistemas Información para el Proyecto REYCYT RESUMEN Se presenta información general relativa a las diferentes
Más detallesModelo de Mezcla Lineal aplicado al mapeo de la temperatura superficial a nivel de subpíxeles
Modelo de Mezcla Lineal aplicado al mapeo de la temperatura superficial a nivel de subpíxeles Juan Diego Giraldo Osorio (1) Alex Gerardo Eslava Rodríguez (2) (1) j.giraldoo@javeriana.edu.co (2) eslavaalex@javeriana.edu.co
Más detallesMODELADO CALIBRACIÓN MULTIVARIADA
MODELADO CALIBRACIÓN MULTIVARIADA Calibración multivariada aproximaciones multivariadas para crear una curva de calibración: regresión clásica u ordinaria (classical/ordinary least squares, CLS) regresión
Más detallesPLANIFICACIÓN DE LA DOCENCIA UNIVERSITARIA GUÍA DOCENTE. Programación Concurrente
CENTRO UNIVERSITARIO DE TECNOLOGÍA Y ARTE DIGITAL PLANIFICACIÓN DE LA DOCENCIA UNIVERSITARIA GUÍA DOCENTE Programación Concurrente 1. DATOS DE IDENTIFICACIÓN DE LA ASIGNATURA. Título: Facultad: Máster
Más detallesUNIDAD II Metodología de programación paralela. Lic. Jesús Germán Andrés PAUTSCH - FCEQyN - UNaM
UNIDAD II Metodología de programación paralela UNIDAD II: Metodología de programación paralela Metodología de programación paralela Algunos conceptos que nos ayudarán a entender mejor el tema. Modelos
Más detallesEsquemas algorítmicos paralelos - Particionado y Paralelismo de Datos
Metodología de la Programación Paralela 2015-2016 Facultad Informática, Universidad de Murcia Esquemas algorítmicos paralelos - Particionado y Paralelismo de Datos Domingo Giménez (Universidad de Murcia)
Más detallesHerramientas para el estudio de prestaciones en clusters de computación científica, aplicación en el Laboratorio de Computación Paralela
Introducción Herramientas Estudio Conclusiones Herramientas para el estudio de prestaciones en clusters de computación científica, aplicación en el Laboratorio de Computación Paralela Ingeniería en Informática
Más detallesTaller de Programación Paralela
Taller de Programación Paralela Departamento de Ingeniería Informática Universidad de Santiago de Chile April 17, 2008 Motivación Programar aplicaciones paralelas no es una tarea trivial. Paralelismo
Más detallesAlgoritmo rápido de la transformada de Hough para detección de líneas rectas en una imagen
Algoritmo rápido de la transformada de Hough para detección de líneas rectas en una imagen Fast algorithm of the Hough transform for straight line detection in an image Luis Canul-Arceo, 1 José López-Martínez,
Más detallesIntroducción al Computo Distribuido
Introducción al Computo Distribuido Facultad de Cs. de la Computación Juan Carlos Conde Ramírez Distributed Computing Contenido 1 Introducción 2 Importancia del Hardware 3 Importancia del Software 1 /
Más detallesTratamiento de imágenes
Tratamiento de imágenes Representación y resolución de imágenes digitales Héctor Alejandro Montes h.a.montes@fi.uaemex.mx http://fi.uaemex.mx/h.a.montes 3 de octubre de 2015 Héctor Alejandro Montes 1 Advertencia
Más detallesRelación de Ejercicios. Programación Paralela 4º de Grado en Ingeniería Informática.
1. Por qué el modelo de programación que se sigue al programar con MPI es independiente de la asignación? 2. Describir gráficamente una solución eficiente para realizar una operación de reducción global
Más detallesUNIVERSIDAD DE EXTREMADURA
UNIVERSIDAD DE EXTREMADURA Escuela Politécnica Ingeniería Informática Proyecto Fin de Carrera Comparativa de nuevos algoritmos de extracción de endmembers en imágenes hiperespectrales utilizando información
Más detallesPROGRAMA DE CURSO. Código Nombre CC7515 Computación en GPU Nombre en Inglés Gpu Computing SCT
PROGRAMA DE CURSO Código Nombre CC7515 Computación en GPU Nombre en Inglés Gpu Computing SCT Unidades Horas de Horas Docencia Horas de Trabajo Docentes Cátedra Auxiliar Personal 6 10 3 0 7 Requisitos Carácter
Más detallesCapítulo 7 Conclusiones y Trabajos Futuros
Capítulo 7 Conclusiones y Trabajos Futuros Control DTC Síncrono aplicado a una MSIP 205 Control DTC Síncrono aplicado a una MSIP 206 7. CONCLUSIONES Y TRABAJOS FUTUROS 7.1. CONCLUSIONES. El objetivo principal
Más detalles1 Introducción. 1.1 Motivaciones y objetivos
1 Introducción El Teorema de Shanon establece que una señal con ancho de banda limitado, puede ser reconstruida exactamente a partir de una serie de muestras provenientes de un proceso de muestreo, sólo
Más detallesGnu-LinEx. Aplicaciones del Software Libre en Computación de Altas Prestaciones. Sé legal... copia LinEx
Gnu-LinEx Aplicaciones del Software Libre en Computación de Altas Prestaciones Sé legal... copia LinEx Antonio Plaza Miguel Departamento Tecnología Computadores Universidad de Extremadura E-mail: aplaza@unex.es
Más detallesCOMPUTACIÓN DE ALTA PERFORMANCE
COMPUTACIÓN DE ALTA PERFORMANCE Curso 2010 Sergio Nesmachnow (sergion@fing.edu.uy) Gerardo Ares (gares@fing.edu.uy) Grupo de Procesamiento Paralelo Aplicado Centro de Cálculo COMPUTACIÓN DE ALTA PERFORMANCE
Más detallesÁrea de aplicaciones... Error! Marcador no definido.
Índice de contenidos ÍNDICE DE CONTENIDOS... ERROR! MARCADOR NO ÍNDICE DE FIGURAS... 4 ÍNDICE DE TABLAS... 6 ÍNDICE DE ECUACIONES... 7 CAPÍTULO 1. INTRODUCCIÓN... ERROR! MARCADOR NO CAPITULO 2. REVISIÓN
Más detallesProcesamiento digital de señales Semana 1. Introducción (primera parte)
Procesamiento digital de señales Semana 1. Introducción (primera parte) Dra. María del Pilar Gómez Gil Otoño 2017 Coordinación de computación Versión: 18 de Agosto 2017 INAOE (c) P.Gómez Gil, INAOE 2017
Más detallesCurso Avanzado de Procesamiento Digital de Imágenes con ENVI. TELEMATICA S.A. -
Curso Avanzado de Procesamiento Digital de Imágenes con ENVI L E C T U R A S TELEDETECCIÓN INTRODUCCIÓN TELEMATICA S.A. 2014 www.telematica.com.pe Introducción a la Teledetección y Procesamiento Digital
Más detallesCÓMPUTO DE ALTO RENDIMIENTO EN MEMORIA COMPARTIDA Y PROCESADORES GRÁFICOS
CÓMPUTO DE ALTO RENDIMIENTO EN MEMORIA COMPARTIDA Y PROCESADORES GRÁFICOS Leopoldo N. Gaxiola, Juan J. Tapia Centro de Investigación y Desarrollo de Tecnología Digital Instituto Politécnico Nacional Avenida
Más detallesPROCESAMIENTO DISTRIBUIDO
Pág. 1 INTRODUCCIÓN PROCESAMIENTO DISTRIBUIDO Arquitectura de comunicaciones: Software básico de una red de computadoras Brinda soporte para aplicaciones distribuidas Permite diferentes Sistemas Operativos
Más detallesTratamiento de imágenes
Tratamiento de imágenes Representación y resolución de imágenes digitales hamontesv@uaemex.mx http://scfi.uaemex.mx/hamontes 24 de abril de 2016 1 Advertencia No use estas diapositivas como referencia
Más detallesAutomatización de banco de ensayo de engranajes para el estudio de métodos de detección de estado
Automatización de banco de ensayo de engranajes para el estudio de métodos de detección de estado "La utilización de las herramientas software de NI ha permitido el desarrollo de un sistema de control
Más detallesSD Examen 2 EVA. 1 of 11 2/5/2013 8:49 PM. Paralelo 1? Evaluaciones? SD Examen 2 EVA. Comenzado: Feb 5 en 8:50pm
Paralelo 1? Evaluaciones? SD Examen 2 EVA SD Examen 2 EVA Comenzado: Feb 5 en 8:50pm Question 1: 1 puntos Los [ Seleccionar ] son la union logica de multiples equipos informaticos que funcionan como uno.
Más detallesMAGMA. Matrix Algebra on GPU and Multicore Architecture. Ginés David Guerrero Hernández
PLASMA GPU MAGMA Rendimiento Trabajo Futuro MAGMA Matrix Algebra on GPU and Multicore Architecture Ginés David Guerrero Hernández gines.guerrero@ditec.um.es Grupo de Arquitecturas y Computación Paralela
Más detallesDepto. Sistemas I.O. y Computación. informáticos y Computación Univ. La Laguna
Sobre el papel de la programación paralela en los nuevos planes de estudios de informática Francisco Almeida Domingo Giménez José M. Mantas Antonio M. Vidal Depto. Estadística, Depto. Informática y Depto.
Más detallesArquitectura de Computadoras. Clase 9 Procesamiento paralelo
Arquitectura de Computadoras Clase 9 Procesamiento paralelo Introducción al procesamiento paralelo Sea cual sea el nivel de prestaciones, la demanda de máquinas de mayor rendimiento seguirá existiendo.
Más detallesCarlos Cuevas-Covarrubias (Mexico): Mutual Principal Components, reduction of dimensionality in statistical classification
Carlos Cuevas-Covarrubias (Mexico): Mutual Principal Components, reduction of dimensionality in statistical classification Mutual Principal Components, reduction of dimensionality in statistical classification
Más detallesPresenta: Mat. Antonio Carrillo Ledesma. Tutor: Dr. Ismael Herrera Revilla
Universidad Nacional Autónoma de México Instituto de Geofísica Tesis Aplicaciones del Cómputo en Paralelo a la Modelación de Sistemas Terrestres Presenta: Mat. Antonio Carrillo Ledesma Para Obtener el
Más detallesJosé Matías Cutillas Lozano PROGRAMACIÓN PARALELA Y COMPUTACIÓN DE ALTAS PRESTACIONES
José Matías Cutillas Lozano PROGRAMACIÓN PARALELA Y COMPUTACIÓN DE ALTAS PRESTACIONES MÁSTER EN NUEVAS TECNOLOGÍAS EN INFORMÁTICA Diciembre 2010 Introducción Por qué utilizar Matlab paralelo? MATLAB es
Más detallesCONSTRUCION DE UN BRAZO ROBÓTICO E INTERFACE DE CONTROL PARA UN SISTEMA EMPOTRADO BASADO EN EL SISTEMA OPERATIVO RTEMS
CONSTRUCION DE UN BRAZO ROBÓTICO E INTERFACE DE CONTROL PARA UN SISTEMA EMPOTRADO BASADO EN EL SISTEMA OPERATIVO RTEMS AUTOR: ROBERTO RICA GUTIÉRREZ TUTOR: JUAN ZAMORANO FLORES D.A.T.S.I. Facultad de Informática
Más detallesCARACTERIZACION DE PROBLEMAS A SOLUCIONAR MEDIANTE PROGRAMACIÓN MULTIPROCESO DE MEMORIA COMPARTIDA. Autor ERIKA VIVIANA RIAÑO BEJAR
CARACTERIZACION DE PROBLEMAS A SOLUCIONAR MEDIANTE PROGRAMACIÓN MULTIPROCESO DE MEMORIA COMPARTIDA Autor ERIKA VIVIANA RIAÑO BEJAR Director JOSE ORLANDO MALDONADO BAUTISTA DEPARTAMENTO DE INGENIERÍAS ELÉCTRICA
Más detallesANTONIO LLORIS RUIZ. Ficha de investigador. Ficha del Directorio. Producción 60. Proyectos dirigidos 3. Actividades 0
Ficha de investigador ANTONIO LLORIS RUIZ Grupo de Investigación: DITEC - TECNICAS DIGITALES (Cod.: TIC127) Departamento: Universidad de Granada. Electrónica y Tecnología de Computadores Código ORCID:
Más detallesESTIMACIÓN DEL PESO DE PERSONAS MEDIANTE DE SU APARIENCIA VISUAL
ESTIMACIÓN DEL PESO DE PERSONAS MEDIANTE DE SU APARIENCIA VISUAL C. J. Camacho-Bello a, J. J. Báez-Rojas a, A. Padilla-Vivanco b, a Instituto Nacional de Astrofísica, Óptica y Electrónica, Puebla, México,
Más detallesProcesamiento digital de imágenes
Procesamiento digital de imágenes Veroni Alsina Camila Estudiante de Ingeniería en Sistemas de Computación Universidad Nacional del Sur, Avda. Alem 1253, B8000CPB Bahía Blanca, Argentina cveroni@hotmail.com.ar
Más detallesproporcionan respuestas muy diferentes a este problema, obteniendo que la solución asociada a la norma l
6 Conclusiones Con la teoría de muestreo de Nyquist, a medida que el ancho de banda de la señal aumenta, también lo hace la frecuencia de muestreo, de forma que para ciertos tipos de señales la tarea de
Más detallesCapítulo 6: EVALUACIÓN Y COMPARACIÓN DE MÉTODOS
Capítulo 6: EVALUACIÓN Y COMPARACIÓN DE MÉTODOS En este capítulo, se realiza la evaluación y comparación de los métodos de paralelización de recurrencias descritos y propuestos en este trabajo. Los resultados
Más detallesElectromagnetismo y Supercomputación
Electromagnetismo y Supercomputación Luis Landesa, José Manuel Taboada Universidad de Extremadura, Computación de Elevadas Prestaciones Infraestructuras, casos de éxito y aplicaciones prácticas Badajoz/Cáceres
Más detallesPROGRAMA DE CURSO. Código Nombre CC7515 Computación en GPU Nombre en Inglés Gpu Computing SCT Auxiliar. Personal
PROGRAMA DE CURSO Código Nombre CC7515 Computación en GPU Nombre en Inglés Gpu Computing SCT es Horas de Horas Docencia Horas de Trabajo Docentes Cátedra Auxiliar Personal 6 10 3 0 7 Requisitos Carácter
Más detallesProgramación (PRG) PRÁCTICA 10. Algoritmos de búsqueda
Programación (PRG) Facultad de Informática Departamento de Sistemas Informáticos y Computación Universidad Politécnica de Valencia 1. Introducción El objetivo de esta práctica es estudiar el comportamiento
Más detallesImplementación en FPGA del algoritmo Pixel Purity Index para el análisis de imágenes hiperespectrales en teledetección
Implementación en FPGA del algoritmo Pixel Purity Index para el análisis de imágenes hiperespectrales en teledetección Carlos González, Daniel Mozos Javier Resano Antonio Plaza Facultad de Informática
Más detallesMaestría en Computación óptica. Equipamiento representativo del Laboratorio de Óptica y Sistemas de Visión por Computadora
Maestría en Computación óptica Equipamiento representativo del Laboratorio de Óptica y Sistemas de Visión por Computadora Laboratorio de Óptica y Sistemas de Visión por Computadora. El Laboratorio cuenta
Más detallesAplicación de un Filtro Stack en Imágenes con Ruido Speckle
Aplicación de un Filtro Stack en Imágenes con Ruido Speckle María E Buemi, Juliana Gambini, Marta Mejail y Julio Jacobo Berllés Departamento de Computación,FCEyN,UBA,Buenos Aires,Argentina {mebuemi; jgambini;
Más detallesINTRODUCCIÓN A LA TELEDETECCIÓN CUANTITATIVA
INTRODUCCIÓN A LA TELEDETECCIÓN CUANTITATIVA Haydee Karszenbaum Veronica Barrazza haydeek@iafe.uba.ar Clase 1.3: Sistemas satelitales: características y ejemplos Teledetección cuantitativa Criterios para
Más detallesComputación de Propósito General en Unidades de Procesamiento Gráfico GPGPU. Clase 0 Lanzamiento del Curso. Motivación
Computación de Propósito General en Unidades de Procesamiento Gráfico () Pablo Ezzatti, Martín Pedemonte Clase 0 Lanzamiento del Curso Contenido Evolución histórica en Fing Infraestructura disponible en
Más detalles