HEVC test Model Profiling

HEVC test Model (HM) 16.20 버전을 Visual Studio에서 프로파일링 해봤습니다.

프로파일링은 소스를 돌렸을때 어떤 함수 및 모듈 등에서 CPU 등의 점유율 분포를 쉽게 알 수 있는 기능입니다.

OS: Windows 10 TOOL: Tortoise SVN, Visual Studio 2013

HM은 SVN 저장소에 소스가 저장되어 있기 때문에 오픈 소스 툴인 Tortoise SVN를 사용해서 다운로드 받습니다.

그림 1에서 저장소 URL(URL of repository)을 적어준 후 다운받을 곳 경로(Checkout directory)를 지정해 줍니다.

https://hevc.hhi.fraunhofer.de/svn/svn_HEVCSoftware/ 가 root URL이고 각 버전별 관리되고 있는 소스가 tags 폴더 안에 있습니다. OK 버튼을 누르면 그림 2와 같이 다운로드됩니다.

그림 1 Tortoise SVN

그림 2 HM 구성물

Visual Studio를 실행해서 솔루션 파일을 열어줍니다. 솔루션 파일의 위치는 build에 있고 버전은 2010, 2012, 2013, 2015가 있습니다.

빌드 후 exe 파일을 통해 프로파일링을 진행할 계획입니다.

본 블로그에서 사용한 테스트 데이터는 PeopleOnStreet_1280x720_30.yuv입니다.

Release, x64로 바꾼 후 빌드를 해줍니다.

빌드를 하게되면 bin/vc2013/x64/Release/ 에 exe 파일이 생성되어 있을 것입니다.

alt + f2를 눌러 Performance and Diagnostics모드로 들어갑니다.

Change Target을 눌러 Executable을 선택해준뒤 Performance Wizard를 실행해줍니다.

CPU 점유율을 프로파일링 할 것이기 때문에 CPU sampling을 선택 후 Next 해줍니다

이후 An executable을 선택해 그림 3과 같이 exe 파일, arguments를 설정해줍니다.

간단히 파라미터들을 설명하겠습니다.

-i : 입력 데이터
-c : cfg 파일 경로
-b : bitstream 저장 경로
-o : Reconstruction 저장 경로 

그림 3 경로 지정 창

잠시 뒤 그림 4와 같이 프로파일링된 탭이 나옵니다.


그림 4 완성



댓글

댓글 쓰기

이 블로그의 인기 게시물

Versatile video coding Test Model(VTM) Build

이미지
VTM을 리눅스 상에서 빌드해보겠습니다. 그림 1과 같이 https://jvet.hhi.fraunhofer.de에서 자세한 정보들을 얻을 수 있습니다. 소스를 다운로드 받기 위해 GitLab으로 이동합니다. 리눅스에 git이 설치되어 있다고 가정하겠습니다. 그림 2와 같이 clone 해줍니다. 빌드를 해주기 위해 build 폴더를 생성해줍니다. mkdir build build 폴더로 이동합니다.   cd build/ cmake로 구성되어 있기 때문에 cmake를 진행해 줍니다. cmake .. -DCMAKE_BUILD_TYPE=Release -O2 마지막으로 make 해줍니다. make -j 10 3에서 Build Type은 Release와 Debug 두가지가 있습니다. 4에서 -j 10 옵션은 병렬 처리로 빌드 속도를 향상시키는 옵션입니다. CPU core 개수에 맞게 적당한 INT를 입력하면 됩니다.
자세한 내용 보기

이미지 캡셔닝 Show and Tell 리뷰

이미지
출처:  https://www.cv-foundation.org/openaccess/content_cvpr_2015/html/Vinyals_Show_and_Tell_2015_CVPR_paper.html 이미지 캡셔닝이란 이미지를 문장(이미지를 설명하는)으로 변환시켜주는 기술입니다. 이때 인공지능 용어에서 도메인이라는 단어를 사용하는데 도메인은 이미지, 문장 등 특정 데이터 집합을 일컫습니다. 참고한 논문에선 언어 번역기를 베이스라인으로 잡았습니다. 언어번역기의 구조는 그림 1과 같습니다. 그림 1 언어번역기 구조 언어 번역기 또한 영어 (도메인) 한국어(도메인)으로 변환해줍니다. 이때 모델 구조는 텍스트, 시계열 데이터 처리에 능한 RNN을 사용하였습니다. 즉, RNN(Encoder) - RNN(Decoder) 구조입니다. 이미지 캡셔닝은 입력데이터로 이미지를 입력해야하므로 이미지 처리에 특화된 CNN으로 변경하였습니다. 따라서 초기의 이미지 캡셔닝 구조는 그림 2와 같습니다. 그림 2 이미지 캡셔닝 구조 이미지를 Encoder인 CNN에 입력한 후 Spatial feature를 추출하고, 추출된 feature를 RNN의 vanising gradient problem을 해결한 LSTM(Decoder)에 입력하게 됩니다. 이때 word embedding이 되어 있어야 단어가 생성될 수 있는데 word embedding에 관해 간단하게 설명 드리도록 하겠습니다. 기존 classification 문제같은 경우는 이미지-class 로 one-hot-encoding을 진행합니다. 즉, 아래 그림과 같이 개는 어떤 축에 존재하고 고양이는 다른축에 존재하는 식으로 되기 때문에 class가 많을 수록 depth가 깊어지게 됩니다. 다른말로, sparse vector라고도 합니다. one-hot-encoding의 장점은 간단하게 표기가 가능하다는 점입니다. depth가 깊어지는 것 제외하고도 단점...
자세한 내용 보기

Image Super-Resolution Using Deep Convolutional Networks 논문리뷰

이미지
Super resolution의 초기 논문인 Image Super-Resolution Using Deep Convolutional Networks 논문 리뷰를 하겠습니다. Introduction Super Resolution (SR)은 저해상도 이미지를 고해상도 이미지로 복원하는 것입니다. Single image super resolution (SISR)과 Multiple image super resolution (MISR)로 분야가 나뉘어져 있습니다. 본 논문에서 기존의 Sparse Coding (SC), Example-based 기법에서 더 나아가 딥러닝 기법을 적용한 기법을 제안합니다. 성능은 그림 1과 같습니다. 기존 기법에 비해 PSNR이 높은 것을 볼 수 있습니다. 여기서 Peak signal-to-noise ratio(PSNR)이란? 영상의 손실 압축에서 화질 손실 정보를 평가할 때 사용하는 평가지표입니다. 그림 1 SRCNN 성능 본 논문에서 어필하는 Contributions는 다음과 같습니다. 전처리가 거의 없이 데이터와 CNN을 이용하여 end-to-end SR을 함 전통적인 기법과 딥러닝의 상관관계를 분석하여 네트워크 구조 설계 지침 딥러닝 기반의 기술을 통해 높은 성능과 속도를 제공 Related Work Image Super-Resolution SISR 알고리즘은 4가지로 분류 가능합니다. Prediction models Edge based methods Image statistical method Patch based methods 본 논문에선 Patch based methods에 관한 설명을 간단하게 합니다. 저해상도와 고해상도의 쌍으로된 patch 정보(딕셔너리)를 가지고 있음 저해상도에서 고해상도로 복원시 nearest neighbor(NN)으로 보간 전통적인 SR 알고리즘은 grayscale이나 single channel image...
자세한 내용 보기