Implementación en GPU del algoritmo K-Means para ... - UMBC

Implementación en GPU del algoritmo K-Means para procesamiento paralelo
de imágenes de satélite disponibles en la herramienta Google Maps
K-Means implementado en ENVI). Los códigos de color indicados en la tabla
corresponden a los colores asociados a cada clase en nuestra implementación
paralelizada. Las celdas que se encuentran sombreadas corresponden a las clases con
las que el usuario ha querido conservar, de las que se han obtenido una media de
valores por encima del 80% de acierto. Como puede apreciarse en la tabla 6.3, la
evaluación de los resultados obtenidos se encuentra en torno al 70-80% de similitud
al emplear el porcentaje de acierto calculado píxel a píxel, con porcentajes muy
elevados de similitud al comparar clases predominantes en la escena del río Nilo
como las asociadas a zonas de agua, por lo que podemos concluir que la
implementación desarrollada se comporta de forma correcta con la imagen que ha
sido procesada.
Estos resultados aún podrían ser mejores, puesto que la comparación que se ha
realizado con la imagen de validación ha sido píxel a píxel, sin tener en cuenta
ningún posible margen de error entre el resultado obtenido y el deseado.
Azul
(Suelo2)
Verde
(Agua2)
Naranja
(Suelo1)
Rojo
(Agua1)
Amarillo
(Zurbana1)
Media
Global
94.85 % 57.29 % 89.25 % 99.56 % 99.74 % 88.14 %
Tabla 6.3. Resultados estadísticos tras la ejecución paralela del algoritmo de
clasificación no supervisado K-Means con la imagen del río Nilo.
Una vez que hemos explicado como se ha llevado a cabo el análisis de
resultados en cuanto a precisión, a continuación expondremos los resultados de los
experimentos realizados sobre la imagen del río Nilo y compararemos los tiempos de
las versiones CPU y GPU.
La tabla 6.4 muestra el tiempo de ejecución por cada una de las GPUs y la
versión serie, además del speedup conseguido.
A medida que aumentamos el número de elementos, es decir, las dimensiones de
la imagen a clasificar y el número de clusters, el speedup conseguido por la GPU
Tesla es cada vez mayor, concretamente la versión GPU tarda casi 21 veces menos
en ejecutarse que la versión CPU demostrando la gran potencia de cálculo que puede
Trabajo Fin de Máster -71- Sergio Bernabé García