Estrategias de paralelización para la búsqueda de similitud basada en código de gráficos
Autores: Steinert, Patrick; Wagenpfeil, Stefan; Mc Kevitt, Paul; Frommholz, Ingo; Hemmje, Matthias
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Estrategias de paralelización para la búsqueda de similitud basada en código de gráficos
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería de Sistemas
Palabras clave
Activos multimedia
Gráficos destacados
Aprendizaje automático
Recuperación de información
Códigos de Gráficos
Opciones de escalabilidad
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 36
Citaciones: Sin citaciones
El volumen de activos multimedia en las colecciones está creciendo de forma exponencial, y la recuperación de información se está volviendo más compleja. La indexación y recuperación de contenido multimedia generalmente se implementa mediante el uso de gráficos de características. Los gráficos de características contienen información semántica sobre los activos multimedia. El aprendizaje automático puede producir información semántica detallada sobre los activos multimedia, reflejada en un alto volumen de nodos y aristas en los gráficos de características. Si bien aumenta la efectividad de los resultados de recuperación de información, el alto nivel de detalle y el crecimiento de las colecciones también aumentan el tiempo de procesamiento. Abordando este problema, los Gráficos de Características Multimedia (MMFGs) y los Códigos de Gráficos (GCs) han demostrado ser estructuras rápidas y efectivas para la recuperación de información. Sin embargo, el enorme volumen de datos requiere más tiempo de procesamiento. Dado que los algoritmos de Código de Gráficos fueron diseñados para ser paralelizables, se pueden emplear diferentes formas de paralelización para probar o evaluar las opciones de escalabilidad del procesamiento de Código de Gráficos. Estas incluyen la escalabilidad horizontal y vertical con el uso de Unidades de Procesamiento Gráfico (GPUs), Unidades de Procesamiento Central Multinúcleo (CPUs) y cómputo distribuido. En este documento, mostramos cómo diferentes estrategias de paralelización basadas en Códigos de Gráficos pueden combinarse para proporcionar una mejora significativa en la eficiencia. Nuestro trabajo de modelado muestra una excelente escalabilidad con una aceleración teórica de 16,711 en una GPU Nvidia H100 de última generación con 16,896 núcleos. Nuestros experimentos con una GPU mediocre muestran que se puede lograr una aceleración de 225 y dan crédito a la aceleración teórica. Por lo tanto, los Códigos de Gráficos proporcionan una indexación y recuperación multimedia rápida y efectiva, incluso en casos de uso a escala de miles de millones.
Descripción
El volumen de activos multimedia en las colecciones está creciendo de forma exponencial, y la recuperación de información se está volviendo más compleja. La indexación y recuperación de contenido multimedia generalmente se implementa mediante el uso de gráficos de características. Los gráficos de características contienen información semántica sobre los activos multimedia. El aprendizaje automático puede producir información semántica detallada sobre los activos multimedia, reflejada en un alto volumen de nodos y aristas en los gráficos de características. Si bien aumenta la efectividad de los resultados de recuperación de información, el alto nivel de detalle y el crecimiento de las colecciones también aumentan el tiempo de procesamiento. Abordando este problema, los Gráficos de Características Multimedia (MMFGs) y los Códigos de Gráficos (GCs) han demostrado ser estructuras rápidas y efectivas para la recuperación de información. Sin embargo, el enorme volumen de datos requiere más tiempo de procesamiento. Dado que los algoritmos de Código de Gráficos fueron diseñados para ser paralelizables, se pueden emplear diferentes formas de paralelización para probar o evaluar las opciones de escalabilidad del procesamiento de Código de Gráficos. Estas incluyen la escalabilidad horizontal y vertical con el uso de Unidades de Procesamiento Gráfico (GPUs), Unidades de Procesamiento Central Multinúcleo (CPUs) y cómputo distribuido. En este documento, mostramos cómo diferentes estrategias de paralelización basadas en Códigos de Gráficos pueden combinarse para proporcionar una mejora significativa en la eficiencia. Nuestro trabajo de modelado muestra una excelente escalabilidad con una aceleración teórica de 16,711 en una GPU Nvidia H100 de última generación con 16,896 núcleos. Nuestros experimentos con una GPU mediocre muestran que se puede lograr una aceleración de 225 y dan crédito a la aceleración teórica. Por lo tanto, los Códigos de Gráficos proporcionan una indexación y recuperación multimedia rápida y efectiva, incluso en casos de uso a escala de miles de millones.