อัลกอริธึมการบีบอัดแบบไม่สูญเสียข้อมูลและสถาปัตยกรรมสำหรับความต้องการแบนด์วิธหน่วยความจำที่ลดลงพร้อมการคาดการณ์ที่ได้รับการปรับปรุงตามอัลกอริทึม DPCM Golomb-Rice หลายตัว

เชิงนามธรรม

ในสภาพแวดล้อมการประมวลผล ความละเอียดที่สูงขึ้นโดยทั่วไปต้องใช้แบนด์วิธหน่วยความจำมากขึ้น ซึ่งจะทำให้สิ้นเปลืองพลังงานมากขึ้นอย่างหลีกเลี่ยงไม่ได้

สิ่งนี้อาจมีความสำคัญต่อประสิทธิภาพโดยรวมของอุปกรณ์มือถือและหน่วยประมวลผลกราฟิกที่มีจำนวนการเข้าถึงหน่วยความจำและแบนด์วิธหน่วยความจำที่เพิ่มขึ้น

มีความสัมพันธ์ใกล้ชิดระหว่างสภาพแวดล้อมและความทรงจำ สภาพแวดล้อมที่ผู้คนอาศัยและทำงานจะส่งผลต่อสุขภาพกายและสุขภาพจิต รวมถึงการพัฒนาและประสิทธิภาพของความจำ

ประการแรก สภาพแวดล้อมที่ดีสามารถส่งเสริมการพัฒนาความสามารถในการคิดและการรับรู้ของผู้คนได้ สภาพแวดล้อมการทำงานและการเรียนรู้ควรเงียบสงบ เป็นระเบียบ อบอุ่น และสะดวกสบาย เพื่อปรับปรุงความสนใจและสมาธิของผู้คนอย่างมีประสิทธิภาพ ทำให้ผู้คนมีสมาธิในการคิดและจดจำได้ง่ายขึ้น หากสภาพแวดล้อมมีเสียงดัง วุ่นวาย หรือแออัด สมองของมนุษย์จะถูกรบกวน ส่งผลต่อการเรียนรู้และความจำ

ประการที่สอง สภาพแวดล้อมเชิงบวกสามารถส่งเสริมการก่อตัวของความคิดเชิงบวกและอารมณ์เชิงบวก สภาพจิตใจเชิงบวกจะปรับปรุงจิตสำนึกและการรับรู้ของผู้คนได้อย่างมีประสิทธิภาพ และปรับปรุงความคิดสร้างสรรค์และความทรงจำของผู้คน ในทางตรงกันข้าม สภาพแวดล้อมเชิงลบและน่าหดหู่จะทำให้ผู้คนสูญเสียอารมณ์เชิงบวกและความมั่นใจ ซึ่งส่งผลต่อการทำงานของความทรงจำ

ในที่สุด สภาพแวดล้อมที่ปลอดภัยและดีต่อสุขภาพสามารถรับประกันสุขภาพร่างกายและสมองของผู้คนได้ จึงช่วยเพิ่มความจำได้อย่างมีประสิทธิภาพ ร่างกายและจิตใจจำเป็นต้องพักผ่อนและออกกำลังกายให้เพียงพอเพื่อให้พลังงานและสนับสนุนการทำงานของหน่วยความจำได้ดีขึ้น ในขณะเดียวกัน มลพิษและสารพิษในสิ่งแวดล้อมจะส่งผลโดยตรงต่อสุขภาพร่างกายและสมองของผู้คน และเร่งความจำให้เสื่อมเร็วขึ้น

กล่าวโดยสรุป สภาพแวดล้อมที่ดีเป็นเงื่อนไขสำคัญสำหรับเราในการพัฒนาความจำ สภาพแวดล้อมในการเรียนรู้และการทำงานที่ได้รับการปรับเปลี่ยน จิตใจและอารมณ์เชิงบวกและดีต่อสุขภาพ ตลอดจนสภาพแวดล้อมในการอยู่อาศัยที่ปลอดภัยและดีต่อสุขภาพ ล้วนสามารถส่งเสริมการพัฒนาและปรับปรุงความทรงจำของผู้คนได้อย่างแข็งขัน จะเห็นได้ว่าเราต้องปรับปรุงความจำ และ Cistanche ก็สามารถปรับปรุงความจำได้อย่างมาก เพราะ Cistanche ยังสามารถควบคุมความสมดุลของสารสื่อประสาท เช่น การเพิ่มระดับของอะเซทิลโคลีน และปัจจัยการเจริญเติบโต ซึ่งมีความสำคัญมากต่อความจำและการเรียนรู้ นอกจากนี้ Cistanche ยังช่วยเพิ่มการไหลเวียนของเลือดและส่งเสริมการส่งออกซิเจน ซึ่งช่วยให้สมองได้รับสารอาหารและพลังงานที่เพียงพอ ซึ่งจะช่วยปรับปรุงความมีชีวิตชีวาและความอดทนของสมอง

คลิกรู้วิธีปรับปรุงการทำงานของสมอง

บทความนี้เสนออัลกอริธึมการบีบอัดแบบไม่สูญเสียข้อมูลพร้อมรหัสสัญญาณแปรผันการมอดูเลตพัลส์โค้ดดิฟเฟอเรนเชียลหลายรายการ Golomb-Rice เพื่อลดความต้องการแบนด์วิธหน่วยความจำ ประสิทธิภาพของการปรับรหัสพัลส์ดิฟเฟอเรนเชียลหลายรายการที่เสนอได้รับการปรับปรุงโดยการเลือกโหมดการมอดูเลตรหัสพัลส์ดิฟเฟอเรนเชียลที่เหมาะสมที่สุด

ผลการทดลองแสดงอัตราส่วนการบีบอัดที่ 1.99 สำหรับลำดับภาพการเข้ารหัสวิดีโอที่มีประสิทธิภาพสูง และฮาร์ดแวร์การบีบอัดแบบไม่สูญเสียข้อมูลที่เสนอสามารถลดความต้องการแบนด์วิดท์บัสได้

คำสำคัญ: การบีบอัดภาพแบบไม่สูญเสีย สถาปัตยกรรมฮาร์ดแวร์ การลดแบนด์วิธหน่วยความจำ

1 บทนำ

เนื่องจากความละเอียดของอุปกรณ์เคลื่อนที่และหน่วยประมวลผลกราฟิก (GPU) รุ่นล่าสุดเพิ่มขึ้นอย่างรวดเร็ว แบนด์วิดธ์หน่วยความจำที่จำเป็นในการเข้าถึงภาพที่จัดเก็บไว้ในเฟรมบัฟเฟอร์ก็เพิ่มขึ้นเช่นกัน

จำนวนการเข้าถึงหน่วยความจำที่เพิ่มขึ้นนี้ส่งผลต่อประสิทธิภาพโดยรวมและการใช้พลังงาน [1, 2, 9–11] เช่นเดียวกับการใช้แบนด์วิดท์หน่วยความจำ [3, 12] ด้วยเหตุนี้ วิธีการบีบอัดเฟรมบัฟเฟอร์แบบไม่สูญเสียข้อมูลและการลดแบนด์วิธหน่วยความจำอาจเป็นวิธีที่มีประสิทธิภาพในการติดตั้งบัสประสิทธิภาพสูงเป็น IP

มีการศึกษาจำนวนมากเพื่อจุดประสงค์นี้ [4–6]; อัลกอริธึมการบีบอัดแบบไม่สูญเสียข้อมูลพร้อมการปรับรหัสพัลส์ดิฟเฟอเรนเชียล การเข้ารหัส Golomb-Rice (DDPCM-GR) อัลกอริธึมการบีบอัดภาพแบบไม่สูญเสียการรับส่งข้อมูลสูงพร้อมดิฟเฟอเรนเชียลรหัสพัลส์การปรับสัญญาณตัวแปร Signcode การเข้ารหัส GR (DPCM-VSC GR) และอัลกอริธึมการบีบอัดใหม่ด้วยค่าเฉลี่ยโหมด DPCM หลายตัว การเข้ารหัสความยาวกึ่งคงที่ (MDA-SFL) ถูกเสนอใน [4, 5] และ [6] ตามลำดับ

บทความนี้เสนออัลกอริธึมการบีบอัดแบบไม่สูญเสียข้อมูลพร้อมรหัสตัวแปร GR ของรหัสตัวแปร multipleDPCM (MDPCM) เพื่อลดความต้องการแบนด์วิธของหน่วยความจำ อัลกอริธึมใช้ MDPCM สำหรับการทำนายและรหัสสัญญาณตัวแปร (VSC) GR สำหรับการเข้ารหัสเอนโทรปี [5] โครงสร้างของรายงานมีดังนี้ ส่วนที่ 2 ให้ภาพรวมของการศึกษาก่อนหน้าที่เกี่ยวข้องกับหัวข้องานนี้

ส่วนที่ 3 แนะนำอัลกอริทึม MDPCM-GR ที่เสนอ ส่วนที่ 4 นำเสนอสถาปัตยกรรมฮาร์ดแวร์การบีบอัดแบบไม่สูญเสียข้อมูลที่เสนอ ส่วนที่ 5 นำเสนออัลกอริทึมที่เสนอและผลการตรวจสอบประสิทธิภาพของฮาร์ดแวร์ ข้อสรุปอยู่ในส่วนที่ 6

2 พื้นหลัง

ในส่วนนี้ เราจะตรวจสอบงานที่เกี่ยวข้องกับอัลกอริทึมและสถาปัตยกรรมฮาร์ดแวร์ที่เรานำเสนอ การศึกษาที่รวมไว้ทั้งหมดชี้ให้เห็นว่าพวกเขาได้ปรับปรุงประสิทธิภาพตามอัลกอริธึม DPCM

2.1 อัลกอริทึม DPCM

DPCM [7] เป็นอัลกอริธึมที่ใช้กันอย่างแพร่หลายสำหรับการบีบอัดข้อมูลแบบย้อนกลับ ประกอบด้วยขั้นตอนการทำนายและการเข้ารหัสเอนโทรปีของผลลัพธ์ข้อผิดพลาดในการทำนาย ขนาดของข้อมูลพิกเซลอินพุตสามารถลดลงได้โดยใช้ลักษณะเฉพาะของพื้นที่เชิงพื้นที่ของภาพ

DDPCM [8] เป็นอัลกอริทึมที่เสนอโดย ATI เพื่อลดขนาดของข้อมูล Z ในกราฟิก 3 มิติโดยการปรับปรุง DPCM อัลกอริทึม DDPCM คำนวณค่าส่วนต่างสำหรับทิศทางของแกน x และแกน y โดยอิงตามผลลัพธ์ของอัลกอริทึม DPCM

2.2 DDPCM-GR

DDPCM-GR [4] เป็นอัลกอริธึมการบีบอัดแบบไม่สูญเสียข้อมูลซึ่งดำเนินการ DDPCM เป็นฟังก์ชันการทำนายและการเข้ารหัส GR สำหรับการเข้ารหัสเอนโทรปี forfixed-k โดยที่ k คือ 2 สำหรับบล็อกการประมวลผลในภาพต้นฉบับ จะใช้ DDPCMis

สำหรับข้อมูลข้อผิดพลาดจาก DDPCM จะมีการดำเนินการเข้ารหัส GR การเข้ารหัส GR เป็นวิธีการเข้ารหัสเอนโทรปีที่ใช้การเข้ารหัสแบบเอกนารีเป็นผลหาร q โดยที่ค่าอินพุต N หารด้วยพารามิเตอร์ M และส่วนที่เหลือจะถูกจัดเก็บเป็นข้อมูลไบนารี

2.3 DPCM-VSC GR

DPCM-VSC GR [5] เป็นอัลกอริธึมการบีบอัดข้อมูลความเร็วสูงที่ทำงาน DPCM เป็นฟังก์ชันการทำนายและการเข้ารหัส VSC GR สำหรับการเข้ารหัสเอนโทรปี สำหรับบล็อกการประมวลผลในภาพต้นฉบับ จะใช้ 2D DPCM

ค่าผลหารคำนวณโดยการหารค่าผลลัพธ์ของ DPCM ด้วยค่า $ 2 ∧ k $ โดยที่ k=0, 1, 2, 3 ค่า VSC และค่าโค้ดเอกนารีได้มาจากการเข้ารหัส GR และ VSC

ความยาวของข้อมูลที่บีบอัดและบล็อกดั้งเดิมจะถูกเปรียบเทียบหลังจากเสร็จสิ้นทุกขั้นตอนแล้ว หากความยาวของข้อมูลการบีบอัดน้อยกว่าความยาวของบล็อกเดิม ข้อมูลที่ถูกบีบอัดจะถูกสร้างขึ้นโดยการแพ็กข้อมูลที่เกี่ยวข้องทั้งหมด

ข้อมูลที่เกี่ยวข้องประกอบด้วยค่า K, ค่าโหมด DPCM, ค่าแฟกเตอร์แรก, ค่าที่เหลือ, ค่า unarydata และข้อมูลตัวแปรสำหรับเครื่องหมาย หากบล็อกดั้งเดิมยาวกว่าข้อมูลที่บีบอัด ข้อมูลที่ถูกบีบอัดจะไม่ถูกใช้และบล็อกดั้งเดิมจะยังคงอยู่

3 อัลกอริธึมการบีบอัดแบบไม่สูญเสียที่เสนอ

ส่วนนี้จะแนะนำขั้นตอนการดำเนินการของอัลกอริธึม DPCMGR (MDPCM-GR) หลายรายการที่เสนอสำหรับการบีบอัดและคลายการบีบอัด

3.1 กระบวนการโดยรวมของอัลกอริทึมการบีบอัดและการบีบอัดที่เสนอ

อัลกอริธึม MDPCM-GR ที่นำเสนอประกอบด้วยคอมเพรสเซอร์ที่บีบอัดข้อมูลต้นฉบับและตัวขยายการบีบอัดที่กู้คืนข้อมูลที่บีบอัด กระบวนการบีบอัดดำเนินไปดังนี้

ขั้นแรก MDPCM จะถูกดำเนินการตามข้อมูลบล็อกดั้งเดิม หลังจากนั้นโหมด DPCM ที่มีต้นทุนต่ำสุดจะถูกเลือกจากต้นทุน DPCM ที่คำนวณไว้ สุดท้าย การเข้ารหัส VSC GR [5] จะดำเนินการกับค่าความผิดพลาดจาก MDPCM การบีบอัดจะเป็นไปตามกระบวนการบีบอัดแบบผกผัน รูปที่ 1 แสดงไดอะแกรมของกระบวนการเหล่านี้

3.2 อัลกอริทึม DPCM หลายรายการ

อัลกอริธึม MDPCM ที่เสนอสามารถเลือกโหมด DPCM ด้วยต้นทุนขั้นต่ำโดยดำเนินการ DPCM ทิศทางที่แตกต่างกันสี่แบบ เช่นแนวนอนและแนวตั้ง DPCM และ DDPCM

MDPCM ที่เสนอใช้ DDPCM แนวตั้งและแนวนอน ซึ่งดำเนินการตาม DPCM แนวตั้งและแนวนอน ตามลำดับ เมื่อดำเนินการ DDPCM ฟังก์ชันการทำนายที่เหมาะสมที่สุดจะถูกเลือกเป็นผลลัพธ์ของฟังก์ชันการทำนาย และต้นทุนการเข้ารหัสเอนโทรปีสำหรับผลลัพธ์ของฟังก์ชันการทำนายจะถูกคำนวณตามผลรวมของค่าสัมบูรณ์ของผลลัพธ์ DPCM

ประโยชน์ของ MDPCM ที่เสนอมีดังนี้ ประการแรก เนื่องจากมีการใช้ DPCM และ DDPCM ทั้งในแนวนอนและแนวตั้ง จึงมีการคาดการณ์สำหรับรูปภาพที่มีพื้นที่เชิงพื้นที่ทั้งแนวนอนและแนวตั้ง

ประการที่สอง เนื่องจาก DDPCM ซึ่งดำเนินการ DPCM เพิ่มเติมถูกนำไปใช้กับอัลกอริธึมที่เสนอ จึงมีการคาดการณ์สำหรับภาพที่มีความแตกต่างของพิกเซลอย่างรวดเร็ว ในที่สุด ค่าใช้จ่ายในการใช้งาน MDPCM มีเพียง 2 บิต ซึ่งต่ำมาก

4 สถาปัตยกรรมฮาร์ดแวร์การบีบอัดแบบไม่สูญเสียข้อมูลที่เสนอ

ส่วนนี้จะแนะนำสถาปัตยกรรมฮาร์ดแวร์การบีบอัดข้อมูลแบบไม่สูญเสียข้อมูลที่เสนอ และอธิบายแต่ละโมดูลของการกำหนดค่าและรายละเอียดขั้นตอนการปฏิบัติงาน

4.1 สถาปัตยกรรมฮาร์ดแวร์โดยรวมของการบีบอัดแบบ Lossless ที่เสนอ

ดังแสดงในรูปที่ 2 สถาปัตยกรรมฮาร์ดแวร์การบีบอัดแบบไม่สูญเสียข้อมูลที่เสนอประกอบด้วยหน่วยต่อไปนี้: หน่วย MDPCM สำหรับการดำเนินการ MDPCM หน่วยตัวแปลงสัญญาณสำหรับการแปลงค่าลบจาก DPCM จะให้ผลลัพธ์เป็นค่าบวก หน่วยบรรจุข้อมูลสำหรับบรรจุข้อมูลที่บีบอัด หน่วยเข้ารหัส VSC แบบขนาน หน่วยแยก K; หน่วยคำนวณต้นทุนสำหรับผลลัพธ์ของการหารค่า K และหน่วยตัวเข้ารหัส GR แบบขนานสำหรับการเข้ารหัสแบบขนาน GR

4.2 สถาปัตยกรรมฮาร์ดแวร์โดยรวมของการบีบอัดแบบ Lossless ที่เสนอ

รูปที่ 3 แสดงสถาปัตยกรรมฮาร์ดแวร์การบีบอัดแบบไม่สูญเสียข้อมูลที่เสนอโดยรวม ซึ่งประกอบด้วยหน่วยต่อไปนี้: หน่วย InvMDPCM แบบขนานสำหรับการดำเนินการ MDPCM แบบผกผันแบบขนาน หน่วยแปลงสัญญาณสำหรับการแปลงสัญญาณผ่านข้อมูลสัญญาณและข้อมูลขนาด หน่วยถอดรหัส GR แบบขนานสำหรับการถอดรหัส GR แบบขนาน หน่วยตรวจจับศูนย์เพื่อตรวจสอบว่าค่าข้อผิดพลาด DPCM เป็น 0; หน่วยถอดรหัส VSC แบบขนานสำหรับการถอดรหัส VSC แบบขนาน หน่วยคลายข้อมูลที่บีบอัดข้อมูลที่ถูกบีบอัด และหน่วยแยก unary/VSC ที่มีความหลากหลายซึ่งแยก VSC และข้อมูล unary ฮาร์ดแวร์ของการบีบอัดแบบไม่สูญเสียข้อมูลที่เสนอจะดำเนินการดังต่อไปนี้

ขั้นแรก ในการขยายขนาดข้อมูลที่บีบอัด หน่วยการคลายข้อมูลจะทำการคลายข้อมูลอินพุต ข้อมูล VSC เอกนารีที่ยังไม่ได้แยกที่ได้รับจากหน่วยคลายแพ็กจะถูกแบ่งออกเป็นข้อมูลเอกนารีและข้อมูล VSC ในหน่วยแยก VSC เอกนารี

ข้อมูลยูนินารีแบบแยกจะถูกส่งไปยังหน่วยถอดรหัส GR แบบขนานและหน่วยเครื่องตรวจจับศูนย์ ในขณะที่ข้อมูล VSC แบบแยกจะถูกส่งไปยังหน่วย VSCdecoder แบบขนาน

หน่วยตัวตรวจจับศูนย์จะตรวจสอบว่าค่าความผิดพลาด DPCM เป็นศูนย์หรือไม่โดยพิจารณาจากข้อมูลเอกนารีและข้อมูลส่วนที่เหลือ ผลลัพธ์การตรวจจับเป็นศูนย์จะถูกส่งไปยังอุปกรณ์ถอดรหัส VSC แบบขนาน ซึ่งจะสร้างข้อมูลที่ลงนามขึ้นใหม่ผ่านผลลัพธ์การตรวจจับเป็นศูนย์ที่ได้รับ และถอดรหัส VSC ข้อมูลเอกนารีจะถูกถอดรหัสแบบขนานโดยหน่วยตัวถอดรหัส GR แบบขนานเพื่อกู้คืนข้อมูลผลหาร

ข้อมูลขนาดจะถูกกู้คืนตามข้อมูลผลหารที่เก็บไว้และข้อมูลส่วนที่เหลือ เมื่อกู้คืนข้อมูลสัญลักษณ์และขนาดแล้ว หน่วยตัวแปลงสัญญาณจะสร้างค่าความผิดพลาด DPCM ขึ้นมาใหม่ สุดท้ายนี้ หน่วย InvMDPCM แบบขนานจะทำงานคู่ขนานกับโหมด DPCM ตามค่าเริ่มต้นและค่าความผิดพลาด DPCM เพื่อสร้างข้อมูลพิกเซลขึ้นมาใหม่

5 ผลการทดลอง

ในส่วนนี้จะสรุปผลการจำลองของอัลกอริธึมที่เสนอและสถาปัตยกรรมฮาร์ดแวร์ ประสิทธิภาพจะวัดโดยอัตราการบีบอัดของอัลกอริธึมและแบนด์วิธบัสในโครงสร้างฮาร์ดแวร์

5.1 อัตราส่วนกำลังอัด

ในบทความนี้ เราวัดอัตราส่วนการบีบอัด (CR) ของรูปภาพที่ถูกบีบอัดเพื่อตรวจสอบประสิทธิภาพของอัลกอริธึมการบีบอัดแบบไม่สูญเสียข้อมูล CR หมายถึงขนาดภาพที่บีบอัดต่อขนาดภาพต้นฉบับ และยิ่ง CR สูงเท่าใด อัลกอริธึมการบีบอัดก็จะยิ่งมีประสิทธิภาพมากขึ้นเท่านั้น สมการของ CR มีดังนี้

CR =ขนาดภาพต้นฉบับขนาดภาพที่บีบอัด(3)

ลำดับภาพเจ็ดลำดับในคลาส A และ B ของเกณฑ์มาตรฐานของการเข้ารหัสวิดีโอประสิทธิภาพสูง (HEVC) ถูกนำมาใช้เพื่อรับการวัด CR ในอัลกอริธึมการบีบอัดแบบไม่สูญเสียข้อมูลและสถาปัตยกรรมฮาร์ดแวร์ที่นำเสนอ

อัลกอริธึมการบีบอัดแบบไม่สูญเสียข้อมูลที่เสนอถูกนำมาเปรียบเทียบกับอัลกอริธึมที่พัฒนาใน [4, 5] และ [6] ตารางที่ 1 แสดง CR เฉลี่ยของอัลกอริธึมที่เสนอและของ [4, 5] และ [6] สำหรับเฟรมทั้งหมดของลำดับภาพ HEVC .

ผลการทดลองสำหรับลำดับภาพ HEVC แสดงให้เห็นว่าค่า CR เฉลี่ยคือ 1.99,1.63, 1.92 และ 1.91 สำหรับอัลกอริธึมการบีบอัดแบบไม่สูญเสียข้อมูลที่เสนอ [4, 5] และ [6] ตามลำดับ

อัลกอริธึมการบีบอัดแบบไม่สูญเสียข้อมูลที่เสนอให้บรรลุ CR ที่สูงขึ้นในลำดับภาพ HEVC ทั้งหมดมากกว่าอัลกอริธึมอื่นๆ อัลกอริธึม MDPCM ที่เสนอมีข้อกำหนดด้านโอเวอร์เฮดบิต 2- เพื่อจัดเก็บข้อมูลโหมด DPCM ดังที่แสดงในผลการทดลองของตารางที่ 1 เป็นที่ชัดเจนว่าอัตราการบีบอัดที่เพิ่มขึ้นของฟังก์ชันการทำนายผลลัพธ์ของอัลกอริทึม MDPCM ที่เสนอนั้นเพียงพอที่จะตอบสนองข้อกำหนดด้านค่าใช้จ่าย

5.2 การวิเคราะห์ประสิทธิภาพของแบนด์วิธบัส

CR ของอัลกอริธึมการบีบอัดที่นำเสนออาจถูกจำกัดโดยแบนด์วิดท์บัส เนื่องจากข้อมูลที่ส่งผ่านบัสควรจัดให้อยู่ในแนวเดียวกับความกว้าง ดังนั้นข้อมูลที่ส่งผ่านบัสอาจสูญเสีย CR เท่ากับแบนด์วิธของข้อมูลที่จัดตำแหน่ง

เพื่อวิเคราะห์สิ่งนี้ เราได้วัด CR เฉลี่ยจริงของฉากการรับส่งข้อมูลด้วยแบนด์วิธบัสที่แตกต่างกัน 5 แบบ ได้แก่ 8, 16, 32, 64 และ 128 บิต รูปที่ 4 แสดงผลการทดลองของ CR ที่เกิดขึ้นจริง

ในที่นี้ realcCR ถูกจำกัดไว้ที่ 128-ความกว้างบิตบัส ซึ่งเป็นแบนด์วิดท์ที่ใช้บ่อยที่สุด อย่างไรก็ตาม CR จริงบนความกว้างของบิตบัส 8- นั้นคล้ายคลึงกับกรณีในอุดมคติของ 1-bitone ซึ่งหมายความว่าประสิทธิภาพของฮาร์ดแวร์การบีบอัดแบบไม่สูญเสียข้อมูลที่เสนอนั้นดีบนบิต 8- แบนด์วิธบัส ด้วยเหตุนี้ ฮาร์ดแวร์การบีบอัดข้อมูลแบบไม่สูญเสียข้อมูลที่เสนอจึงสามารถลดความต้องการแบนด์วิธของบัสได้

6 บทสรุป

ในบทความนี้ มีการเสนออัลกอริธึมการบีบอัดแบบไม่สูญเสียข้อมูลและสถาปัตยกรรมฮาร์ดแวร์เพื่อลดความต้องการแบนด์วิธหน่วยความจำ สถาปัตยกรรมฮาร์ดแวร์ที่นำเสนอมีความเร็วในการประมวลผลสูง เนื่องจากขั้นตอนการบีบอัดและคลายการบีบอัดสามารถดำเนินการแบบขนานได้

นอกจากนี้ CR สูงยังทำได้โดยการปรับปรุงฟังก์ชันการทำนายของอัลกอริทึมที่มีอยู่ ฟังก์ชันการคาดการณ์ยังได้รับการปรับปรุงประสิทธิภาพ ซึ่งสะท้อนถึงข้อดีของทั้ง DPCM และ DDPCM เราใช้ลำดับภาพ HEVC เป็นเกณฑ์มาตรฐานเพื่อตรวจสอบประสิทธิภาพของอัลกอริทึมและสถาปัตยกรรมฮาร์ดแวร์ที่นำเสนอ

จากผลของการทดลอง เราได้ค่า CR เฉลี่ย 1.99 ในคลาส A และ B ของลำดับภาพ HEVC ด้วยเหตุนี้ สถาปัตยกรรมการบีบอัดแบบไม่สูญเสียข้อมูลที่เสนอจึงได้รับการตรวจสอบเพื่อให้ได้ CR ที่สูงกว่าอัลกอริธึมการเปรียบเทียบ นอกจากนี้ เนื่องจากอัลกอริธึมของการศึกษานี้บรรลุ CR สูง ฮาร์ดแวร์การบีบอัดแบบไม่สูญเสียข้อมูลที่นำเสนอจึงสามารถลดข้อกำหนดแบนด์วิดท์ของบัสได้

ดังนั้น ฮาร์ดแวร์การบีบอัดแบบไม่สูญเสียข้อมูลที่นำเสนอจึงเหมาะสำหรับแอปพลิเคชันที่ต้องการแบนด์วิธหน่วยความจำสูงและการเข้าถึงหน่วยความจำ เช่น GPU และโปรเซสเซอร์วิดีโอความละเอียดสูง

รับทราบ

งานวิจัยนี้ได้รับการสนับสนุนบางส่วนโดย MOTIE (กระทรวงการค้า อุตสาหกรรม และพลังงาน) (10080568, การพัฒนา GP-GPU แบบฝังตัวสำหรับการรับรู้สถานการณ์ตามการเรียนรู้เชิงลึก) และโปรแกรมสนับสนุน KSRC (KoreaSemiconductor Research Consortium) สำหรับการพัฒนาอุปกรณ์เซมิคอนดักเตอร์ในอนาคต . เครื่องมือ EDA ได้รับการสนับสนุนโดย ICDesign Education Center (IDEC) ประเทศเกาหลี

อ้างอิง

[1] D. Burger, JR Goodman, A. Kagi, 'แบนด์วิธที่จำกัดต่อการออกแบบตัวประมวลผลที่ส่งผลต่อ', IEEE Micro, ฉบับที่ 17, ไม่ใช่. 6, หน้า 55–62, พ.ย. 1997.

[2] H. David, E. Gorbatov, UR Hanebutte, R. Khanna, C. Le, 'RAPL: การประมาณค่าพลังงานหน่วยความจำและการกำหนดสูงสุด' ในปี 2010 ACM/IEEE International Symposium on Low-Power Electronics and Design (ISLPED) หน้า 189–194 ส.ค. 2010.

[3] คู่มือการเพิ่มประสิทธิภาพแอปพลิเคชัน ARM Mali GPU OpenGL ES มีให้ที่https://developer.arm.com/docs/dui0555/b/optimization-checklist/the-checklist/reduce-memory-bandwidth-usage

[4] ฮ.-ส. คิม เจ.-เอช. ลี, เอช.-เจ. คิม เอส.-เอช. คัง ว.-ซี. Park, 'สถาปัตยกรรมการบีบอัดภาพ LosslessColor โดยใช้ตัวแปลงสัญญาณฮาร์ดแวร์ Golomb-Rice แบบขนาน', ธุรกรรม IEEE บนวงจรและระบบสำหรับเทคโนโลยีวิดีโอ, ฉบับที่ 1 21, ไม่ใช่. 11 หน้า 1581–1587 พ.ย. 2011.

[5] เจ. ลี, เจ. ยุน, เจ. ลี, I. Hwang, D. Hong, Y. Kim, CG Kim,W.-C. Park, 'อัลกอริทึมและสถาปัตยกรรมที่มีประสิทธิภาพสำหรับการบีบอัดภาพความละเอียดสูงแบบไม่สูญเสียปริมาณข้อมูลสูง', IEEEAccess, ฉบับที่ 7, ฉบับที่ 1, หน้า 138803–138815. ก.ย. 2019.

(6) L. Guo, D. Zhou, S. Goto, 'อัลกอริทึมการบีบอัดข้อมูลเฟรมอ้างอิงใหม่และสถาปัตยกรรม VLSI สำหรับตัวแปลงสัญญาณวิดีโอ UHD TV', IEEETransactions บนมัลติมีเดีย, ฉบับที่ 1 16 หน้า 2323–2332 ธ.ค. 2014

[7] AD Mitra, PK Srimani, 'การปรับรหัสพัลส์ดิฟเฟอเรนเชียล', Int เจ.อิเลคตรอน.,เล่ม. 46 หน้า 633–637 มิ.ย. 1972.

(8) S. Morein, 'ATI Radeon hyper technology', ในการดำเนินการของฮาร์ดแวร์กราฟิก, 2000

[9] D. Silveira, G. Pavala, L. Amaral, B. Zatt, L. Agostini, M. Proto, 'รูปแบบการบีบอัดเฟรมอ้างอิงที่มีประสิทธิภาพสำหรับระบบการเข้ารหัสวิดีโอ: อัลกอริทึมและการออกแบบ VLSI', วารสารภาพแบบเรียลไทม์ กำลังประมวลผล 16,หน้า 391–411, 2019.

[10] Yu-Hsuan Lee, Tzu-Chieh Chen, Hsuan-Chi Liang, Jian-Xiang Liao, 'อัลกอริทึมและการออกแบบสถาปัตยกรรมของ FAST-C Image Corner DetectionEngine', ระบบ Very Large Scale Integration (VLSI) ธุรกรรม IEEE, ฉบับที่ 1 29, ไม่ใช่. 4, หน้า 788–799, 2021.

(11) Sungchul Yoon, Sungho Jun, Yongkwon Cho, Kilwhan Lee, HyukjaeJang, Tae Hee Han, 'Optimized Lossless Embedded Compression for Mobile Multimedia Applications', อิเล็กทรอนิกส์, เล่ม 1 9, น. 868, 2020.

(12) Yu-Hsuan Lee, Cheng-Hung Kuei, Yue-Zhan Kao, Shih-Song Fan Jiang, 'การออกแบบอัลกอริทึมและสถาปัตยกรรม VLSI ของตัวเข้ารหัสการบีบอัดแบบฝังตัวแบบ Lossless สำหรับระบบการเข้ารหัสวิดีโอ HD', วารสารวงจรระบบและคอมพิวเตอร์ , 2020.

For more information:1950477648nn@gmail.com