Algoritmo e arquitetura de compactação sem perdas para requisitos reduzidos de largura de banda de memória com previsão aprimorada com base no algoritmo Golomb-Rice múltiplo DPCM

Resumo

Num ambiente de computação, resoluções mais altas geralmente requerem mais largura de banda de memória, o que inevitavelmente leva a mais consumo de energia.

Isso pode se tornar crítico para o desempenho geral de dispositivos móveis e unidades de processamento gráfico com maiores quantidades de acesso à memória e largura de banda de memória.

Existe uma estreita relação entre ambiente e memória. O ambiente em que as pessoas vivem e trabalham afetará a saúde física e mental e o desenvolvimento e desempenho da memória.

Em primeiro lugar, um bom ambiente pode promover o desenvolvimento das capacidades de pensamento e percepção das pessoas. O ambiente de trabalho e de aprendizagem deve ser silencioso, arrumado, acolhedor e confortável, para melhorar efetivamente a atenção e a concentração das pessoas, facilitando a concentração no pensamento e na lembrança. Se o ambiente for barulhento, caótico ou lotado, o cérebro humano será perturbado, afetando o efeito do aprendizado e da memória.

Em segundo lugar, um ambiente positivo pode promover a formação de uma mentalidade positiva e de emoções positivas. Um estado mental positivo melhorará efetivamente a consciência e a cognição das pessoas e melhorará a criatividade e a memória das pessoas. Pelo contrário, um ambiente negativo e deprimente fará com que as pessoas percam emoções positivas e confiança, afectando assim a função de memória das pessoas.

Finalmente, um ambiente seguro e saudável pode garantir a saúde do corpo e do cérebro das pessoas, melhorando assim eficazmente a memória. O corpo e a mente precisam descansar e fazer exercícios suficientes para fornecer melhor energia e suporte ao funcionamento da memória. Ao mesmo tempo, a poluição e as toxinas do ambiente afetarão diretamente a saúde física e cerebral das pessoas e acelerarão o declínio da memória.

Resumindo, um bom ambiente é uma condição importante para desenvolvermos a memória. Um ambiente de aprendizagem e de trabalho ajustado, uma mentalidade e emoções positivas e saudáveis ​​e um ambiente de vida saudável e seguro podem promover ativamente o desenvolvimento e a melhoria da memória das pessoas. Percebe-se que precisamos melhorar a memória, e o Cistanche pode melhorar significativamente a memória porque o Cistanche também pode regular o equilíbrio dos neurotransmissores, como aumentar os níveis de acetilcolina e fatores de crescimento, que são muito importantes para a memória e o aprendizado. Além disso, Cistanche também pode melhorar o fluxo sanguíneo e promover o fornecimento de oxigênio, o que pode garantir que o cérebro obtenha nutrição e energia suficientes, melhorando assim a vitalidade e a resistência do cérebro.

Clique em conhecer maneiras de melhorar a função cerebral

Este artigo propõe um algoritmo de compressão sem perdas com um código de sinal variável de modulação de código de pulso diferencial múltiplo Golomb-Rice para reduzir o requisito de largura de banda de memória. A eficiência da modulação de código de pulso diferencial múltipla proposta é aprimorada pela seleção do modo de modulação de código de pulso diferencial ideal.

Os resultados experimentais mostram uma taxa de compressão de 1,99 para sequências de imagens de codificação de vídeo de alta eficiência e que o hardware de compressão sem perdas proposto pode reduzir o requisito de largura de banda do barramento.

Palavras-chave: Compressão de imagem sem perdas, arquitetura de hardware, redução de largura de banda de memória.

1 Introdução

À medida que a resolução dos mais recentes dispositivos móveis e unidades de processador gráfico (GPUs) aumenta rapidamente, a largura de banda da memória necessária para acessar as imagens armazenadas no buffer de quadros também aumenta.

Essa maior quantidade de acesso à memória influencia o desempenho geral e o consumo de energia [1, 2, 9–11], assim como a utilização da largura de banda da memória [3, 12]. Para este fim, métodos de compressão de framebuffer sem perdas e redução de largura de banda de memória poderiam ser formas eficazes de equipar um barramento de alto desempenho como um IP.

Muitos estudos foram realizados com esse propósito [4–6]; o algoritmo de compressão sem perdas com modulação de código de pulso diferencial codificação Golomb-Rice (DDPCM-GR), o algoritmo de compressão de imagem sem perdas de alto rendimento com modulação de código de pulso diferencial codificação de código de sinal variável GR (DPCM-VSC GR) e o algoritmo de recompressão com média de modo DPCM múltiplo a codificação de comprimento semifixo (MDA-SFL) foi proposta em [4, 5] e [6], respectivamente.

Este artigo propõe um algoritmo de compressão sem perdas com um código de sinal variável GR múltiplo DPCM (MDPCM) para reduzir a necessidade de largura de banda de memória. O algoritmo usa MDPCM para previsão e código de sinal variável (VSC) GR para codificação de entropia [5]. A estrutura do artigo é a seguinte. A seção 2 fornece uma visão geral de estudos anteriores relacionados ao tema deste trabalho.

A Seção 3 apresenta o algoritmo MDPCM-GR proposto. A Seção 4 apresenta a arquitetura de hardware de compressão sem perdas proposta. A Seção 5 apresenta o algoritmo proposto e os resultados da verificação de desempenho do hardware. A conclusão é dada na Seção 6.

2 Fundo

Nesta seção, revisamos trabalhos relacionados ao algoritmo e arquitetura de hardware propostos. Todos os estudos incluídos sugerem que melhoraram o desempenho com base no algoritmo DPCM.

2.1 Algoritmo DPCM

DPCM [7] é um algoritmo amplamente adotado para compressão reversível de dados. Consiste no estágio de predição e codificação de entropia dos resultados do erro de predição. O tamanho dos dados dos pixels de entrada pode ser reduzido usando as características de localidade espacial da imagem.

DDPCM [8] é o algoritmo proposto pela ATI para reduzir o tamanho dos dados Z em gráficos 3D, melhorando o DPCM. O algoritmo DDPCM calcula os valores diferenciais para as direções dos eixos x e y com base nos resultados do algoritmo DPCM.

2.2 DDPCM-GR

DDPCM-GR [4] é o algoritmo de compressão sem perdas que executa DDPCM como uma função de predição e codificação GR para codificação de entropia para k fixo, onde k é 2. Para o bloco de processamento na imagem original, DDPCM é aplicado.

Para os dados de erro do DDPCM, a codificação GR é executada. A codificação GR é um método de codificação de entropia que aplica a codificação unária no quociente q, onde o valor de entrada N é dividido pelo parâmetro M e o restante é armazenado como dados binários.

2.3 DPCM-VSC GR

DPCM-VSC GR [5] é o algoritmo de compressão de alto rendimento que executa DPCM como uma função de predição e codificação VSC GR para codificação de entropia. Para o bloco de processamento na imagem original, é aplicado DPCM 2D.

O valor do quociente é calculado dividindo o valor resultante do DPCM pelo valor $ 2 ∧ k $, onde k=0, 1, 2, 3. Valores VSC e valores de código unário são obtidos realizando codificação GR e VSC.

Os comprimentos dos dados compactados e do bloco original são comparados após a conclusão de todos os estágios. Se o comprimento dos dados compactados for menor que o comprimento do bloco original, os dados compactados serão gerados compactando todos os dados relacionados.

Os dados relacionados consistem no valor K, no valor do modo DPCM, no valor do primeiro fator, no valor restante, no valor dos dados unários e nos dados variáveis ​​para um sinal. Se o bloco original for maior que os dados compactados, os dados compactados não serão usados ​​e o bloco original será mantido.

3 Algoritmo de compressão sem perdas proposto

Esta seção apresenta o fluxo de execução do algoritmo proposto de múltiplos DPCMGR (MDPCM-GR) para compactação e descompactação.

3.1 Processo Geral do Algoritmo de Compressão e Descompressão Proposto

O algoritmo MDPCM-GR proposto consiste em um compressor que comprime os dados originais e um descompressor que restaura os dados compactados. O processo de compactação ocorre da seguinte maneira.

Primeiro, o MDPCM é executado com base nos dados do bloco original, após o qual o modo DPCM com o menor custo é selecionado dentre os custos do DPCM calculados. Finalmente, a codificação VSC GR [5] é executada nos valores de erro do MDPCM. A descompressão segue o processo inverso de compactação. A Figura 1 mostra diagramas desses processos.

3.2 Algoritmo DPCM Múltiplo

O algoritmo MDPCM proposto pode selecionar um modo DPCM com custo mínimo executando quatro DPCMs direcionais diferentes; como DPCM horizontal e vertical e DDPCM.

O MDPCM proposto utiliza DDPCM vertical e horizontal, que são executados com base no DPCM vertical e horizontal, respectivamente. Ao executar o DDPCM, a função de predição ideal é selecionada como o resultado da função de predição, e o custo de codificação de entropia para o resultado da função de predição é calculado com base na soma dos valores absolutos dos resultados do DPCM.

Os benefícios do MDPCM proposto são os seguintes. Primeiro, como o DPCM e o DDPCM são aplicados tanto horizontal quanto verticalmente, ele é previsto para imagens que possuem localidades espaciais horizontais e verticais.

Segundo, como o DDPCM, que realiza um DPCM adicional, é aplicado ao algoritmo proposto, ele é previsto para a imagem com rápida diferença de pixels. Finalmente, o overhead para aplicação do MDPCM é de apenas 2 bits, o que é muito baixo.

4 Proposta de arquitetura de hardware de compressão sem perdas

Esta seção apresenta a arquitetura de hardware de compressão sem perdas proposta e descreve detalhadamente cada módulo da configuração e seu fluxo operacional.

4.1 Arquitetura geral de hardware da compressão sem perdas proposta

Conforme mostrado na Figura 2, a arquitetura de hardware de compressão sem perdas proposta consiste nas seguintes unidades: uma unidade MDPCM para execução do MDPCM; uma unidade conversora de sinal para converter um valor negativo dos resultados do DPCM em um valor positivo; uma unidade de empacotamento de dados para empacotar dados compactados; unidade de codificação VSC paralela; uma unidade divisora ​​K; uma unidade de cálculo de custo para o resultado da divisão dos valores K; e uma unidade codificadora GR paralela para codificação paralela GR.

4.2 Arquitetura geral de hardware da descompressão sem perdas proposta

A Figura 3 mostra a arquitetura geral de hardware de descompressão sem perdas proposta, que consiste nas seguintes unidades: uma unidade InvMDPCM paralela para executar MDPCM inverso paralelo; uma unidade conversora de sinal para conversão de sinal através de dados de sinal e dados de magnitude; uma unidade de decodificação GR paralela para decodificação GR em paralelo; uma unidade detectora de zero para verificar se o valor DPCMerror é 0; uma unidade decodificadora VSC paralela para realizar decodificação VSC em paralelo; uma unidade de descompactação de dados que descompacta os dados compactados; e uma unidade divisora ​​unária/VSC variável que divide dados VSC e unários. O hardware da descompressão sem perdas proposta é executado da seguinte forma.

Primeiro, para descompactar os dados compactados, a unidade de descompactação de dados descompacta os dados de entrada. Os dados VSC unários não divididos recebidos da unidade de desempacotamento são divididos em dados unários e dados VSC na unidade divisora ​​VSC unária.

Os dados unários divididos são transmitidos para a unidade decodificadora GR paralela e para a unidade detectora de zero, enquanto os dados VSC divididos são transmitidos para a unidade decodificadora VSC paralela.

A unidade detectora de zero verifica se o valor do erro DPCM é zero com base nos dados unários e nos dados restantes. O resultado de detecção de zero é entregue ao dispositivo decodificador VSC paralelo, que reconstrói os dados assinados por meio do resultado de detecção de zero recebido e decodifica o VSC. Os dados unários são decodificados em paralelo pela unidade decodificadora GR paralela para restaurar os dados de quociente.

Os dados de magnitude são restaurados com base nos dados de quociente armazenados e nos dados restantes. Quando os dados de sinal e magnitude são restaurados, a unidade conversora de sinal reconstrói o valor de erro DPCM. Finalmente, a unidade InvMDPCM paralela funciona em paralelo ao modo DPCM com base nos valores de semente e de erro DPCM para reconstruir os dados de pixel.

5 resultados experimentais

Nesta seção, os resultados da simulação do algoritmo proposto e da arquitetura de hardware são resumidos. O desempenho será medido pela taxa de compressão do algoritmo e pela largura de banda do barramento na estrutura de hardware.

5.1 Taxa de compressão

Neste artigo, medimos a taxa de compressão (CR) de imagens comprimidas para verificar a eficiência do algoritmo de compressão sem perdas. CR refere-se ao tamanho da imagem compactada por tamanho de imagem original e quanto maior o CR, mais eficiente é o algoritmo de compactação. A equação para o CR é a seguinte.

CR =Tamanho da imagem originalTamanho da imagem compactada(3)

Sete sequências de imagens nas Classes A e B de benchmarks de codificação de vídeo de alta eficiência (HEVC) foram usadas para obter medidas de CR no algoritmo de compressão sem perdas proposto e na arquitetura de hardware.

O algoritmo de compressão sem perdas proposto foi comparado com aqueles desenvolvidos em [4, 5] e [6]. A Tabela 1 mostra o CR médio do algoritmo proposto e de [4, 5] e [6] para todos os quadros das sequências de imagens HEVC. .

Os resultados experimentais para as sequências de imagens HEVC mostram que os valores médios de CR são 1,99, 1,63, 1,92 e 1,91 para o algoritmo de compressão sem perdas proposto, [4, 5] e [6], respectivamente.

O algoritmo de compressão sem perdas proposto atinge CR mais alto em todas as sequências de imagens HEVC do que os outros algoritmos. O algoritmo MDPCM proposto tem um requisito de sobrecarga de 2-bit para armazenar informações do modo DPCM. Conforme mostrado nos resultados experimentais da Tabela 1, fica claro que o aumento da taxa de compressão dos resultados da função de predição do algoritmo MDPCM proposto é suficiente para atender ao requisito de sobrecarga.

5.2 Análise de Desempenho para Largura de Banda de Barramento

O CR do algoritmo de compressão proposto pode ser limitado pela largura de banda do barramento porque os dados transmitidos pelo barramento devem estar alinhados à sua largura. Portanto, os dados transmitidos pelo barramento podem perder o CR tanto quanto a largura de banda dos dados alinhados.

Para analisar isso, medimos o CR médio real da cena de tráfego com cinco larguras de banda de barramento diferentes de 8, 16, 32, 64 e 128 bits. A Figura 4 mostra os resultados experimentais dos CRs reais neles.

Aqui, o CR real é limitado a uma largura de barramento de 128- bits, a largura de banda mais comum. No entanto, o CR real na largura do barramento de 8- bits é semelhante ao caso ideal do bitone 1-, o que significa que o desempenho do hardware de compressão sem perdas proposto é bom no bit 8- largura de banda do barramento. Conseqüentemente, o hardware de compressão sem perdas proposto pode reduzir os requisitos de largura de banda do barramento.

6 Conclusão

Neste artigo, um algoritmo de compressão sem perdas e uma arquitetura de hardware são propostos para reduzir os requisitos de largura de banda de memória. A arquitetura de hardware proposta possui alta velocidade de processamento porque as etapas de compressão e descompressão podem ser realizadas em paralelo.

Além disso, um CR elevado foi alcançado através da melhoria da função de previsão do algoritmo existente. A função de previsão também melhorou o desempenho, refletindo as vantagens do DPCM e do DDPCM. Utilizamos a sequência de imagens HEVC como referência para verificar o desempenho do algoritmo e arquitetura de hardware propostos.

Como resultado do experimento, alcançamos um CR médio de 1,99 nas classes A e B da sequência de imagens HEVC. Através disso, verificou-se que a arquitetura de compressão sem perdas proposta alcança um CR superior ao dos algoritmos de comparação. Além disso, como o algoritmo deste estudo atinge um CR alto, o hardware de compressão sem perdas proposto pode reduzir os requisitos de largura de banda do barramento.

Assim, o hardware de compressão sem perdas proposto é adequado para aplicações que requerem alta largura de banda de memória e acesso à memória, como GPUs e processadores de vídeo de alta resolução.

Reconhecimento

Esta pesquisa foi apoiada em parte pelo programa de apoio MOTIE (Ministério do Comércio, Indústria e Energia) (10080568, Desenvolvimento do GP-GPU incorporado para reconhecimento de circunstâncias baseado em aprendizagem profunda) e KSRC (Korea Semiconductor Research Consortium) para o desenvolvimento do futuro dispositivo semicondutor . A ferramenta EDA foi apoiada pelo ICDesign Education Center (IDEC), Coreia.

Referências

[1] D. Burger, JR Goodman, A. Kagi, 'Largura de banda limitada para afetar o design do processador', IEEE Micro, vol. 17, não. 6, pp. 55–62, novembro de 1997.

[2] H. David, E. Gorbatov, UR Hanebutte, R. Khanna, C. Le, 'RAPL:memory power estimation and capping', Em 2010 ACM/IEEE Simpósio Internacional sobre Eletrônica e Design de Baixa Potência (ISLPED), pp. 189–194, agosto de 2010.

[3] Guia de otimização de aplicativos ARM Mali GPU OpenGL ES, disponível em.https://developer.arm.com/docs/dui0555/b/optimization-checklist/the-checklist/reduce-memory-bandwidth-usage

[4] H.‑S. Kim, J.-H. Lee, H.‑J. Kim, S.-H. Kang, W.-C. Park, 'Uma arquitetura de compressão de imagem LosslessColor usando um codec Parallel Golomb-RiceHardware', IEEE Transactions on Circuits and Systems for VideoTechnology, vol. 21, não. 11, pp. 1581–1587, novembro de 2011.

[5] J. Lee, J. Yun, J. Lee, I. Hwang, D. Hong, Y. Kim, CG Kim, W.-C. Park, 'Um algoritmo e arquitetura eficazes para a compactação sem perdas de alto rendimento de imagens de alta resolução', IEEEAccess, Vol. 7, Edição 1, pp. Setembro de 2019.

[6] L. Guo, D. Zhou, S. Goto, 'Um novo algoritmo de recompressão de quadro de referência e sua arquitetura VLSI para codec de vídeo UHD TV', IEEETransactions on Multimedia, vol. 16, pp. 2323–2332, dezembro de 2014.

[7] AD Mitra, PK Srimani, 'Modulação diferencial de código de pulso', Int. J.Electron., vol. 46, pp. 633–637, junho de 1972.

[8] S. Morein, 'hiper tecnologia ATI Radeon', em Proceedings of theGraphics Hardware, 2000.

[9] D. Silveira, G. Povala, L. Amaral, B. Zatt, L. Agostini, M. Proto, 'Esquema de compressão de quadro de referência eficiente para sistema de codificação de vídeo: algoritmo e design VLSI', Journal of Real-Time Image Processamento 16, pp. 391–411, 2019.

[10] Yu-Hsuan Lee, Tzu-Chieh Chen, Hsuan-Chi Liang, Jian-Xiang Liao, 'Algoritmo e projeto de arquitetura do mecanismo de detecção de canto de imagem FAST-C', sistema de integração em escala muito grande (VLSI) IEEE Transactionon, vol. 29, não. 4, pp. 788–799, 2021.

[11] Sungchul Yoon, Sungho Jun, Yongkwon Cho, Kilwhan Lee, HyukjaeJang, Tae Hee Han, 'Compressão incorporada sem perdas otimizada para aplicações multimídia móveis', Electronics, vol. 9, pág. 868, 2020.

[12] Yu-Hsuan Lee, Cheng-Hung Kuei, Yue-Zhan Kao, Shih-Song Fan Jiang, 'Algoritmo e projetos de arquitetura VLSI de um codificador de compressão incorporado sem perdas para sistemas de codificação de vídeo HD', Journal ofCircuits, Systems, and Computers , 2020.

For more information:1950477648nn@gmail.com