VLSI Implementation Strategies

Pirsch, P.

doi:10.1016/b978-0-444-88790-0.50008-3

Cited by 3 publications

(5 citation statements)

References 11 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…This technique has been successfully applied to pipeline many signal processing algorithms including recursive digital filters (in direct form and lattice form) [48] [49] [52], adaptive lattice digital filters [46] [69], two-dimensional recursive digital filters [47], Viterbi decoders [70]- [72], Huffman decoders [73]- [75], and arithmetic coders [76]. This research demonstrated that the recursive signal processing algorithms can be operated at high-speed.…”

mentioning

confidence: 98%

High-level algorithm and architecture transformations for DSP synthesis

Parhi

1995

Journal of VLSI Signal Processing

View full text Add to dashboard Cite

Abstract.This survey paper reviews numerous high-level transformation techniques which can be applied at the algorithm or the architecture level to improve the performance of digital signal and image processing architectures and circuits implemented using VLSI technology. Successful design of VLSI signal and image processors requires careful selection of algorithms, architectures, implementation styles, and synthesis techniques. High-level transformations can play an important role in reducing silicon area or power at the same speed or in increasing the speed for same area. These transformations can also increase the suitability of an algorithm for a particular architectural style. The transformation techniques reviewed in this paper include pipelining, parallel processing, retiming, unfolding, folding, look-ahead, relaxed look-ahead, associativity, distributivity, and reduction in strength.

show abstract

mentioning

confidence: 98%

High-level algorithm and architecture transformations for DSP synthesis

Parhi

1995

Journal of VLSI Signal Processing

View full text Add to dashboard Cite

show abstract

“…Προκειμένου να ικανοποιηθούν οι αυξημένες ανάγκες σε υπολο γιστική ισχύ, οι αλγόριθμοι υπολογισμού κίνησης υλοποιούνται συνήθως σε αρ χιτεκτονικές υψηλών επιδόσεων. Η υλοποίηση μπορεί να είναι είτε σε hardware είτε σε software πάνω σε μία παράλληλη μηχανή [204,99,100,102,103,205,104,206,207,107,108]. Το βασικό πλεονέκτημα της πρώτης προσέγγισης είναι οι υψηλότερες ταχύτητες εκτέλεσης που πολλές φορές ικανοποιούν τις απαιτήσεις επεξεργασίας σε πραγματικό χρόνο (real time processing).…”

Section: εισαγωγήunclassified

“…Στη βιβλιογραφία, πολλές προτάσεις έχουν κάνει την εμφάνιση τους οι οποίες ακολουθούν κάποια από τις δύο προσεγγίσεις (για μια επισκόπηση του θέματος βλ. [204,99,100,102] Σε αυτό το κεφάλαιο συνεχίζουμε τη μελέτη των παράλληλων υλοποιήσεων αλγορίθμων υπολογισμού κίνησης. Στη προηγούμενο κεφάλαιο ασχοληθήκαμε με τον hierarchical block matching motion estimation (HBMME) αλγόριθμο ο οποίος χειρίζεται το κάθε frame σε πολλαπλά επίπεδα ανάλυσης και με αυτό τον τρόπο πετυχαίνει καλύτερη εκτίμηση της κίνησης απ' ότι ο απλός full search block matching αλγόριθμος.…”

Section: εισαγωγήunclassified

“…Οι αλγόριθ μοι συμπίεσης υλοποιούνται σε (λογισμικό) software και έτσι κάθε αλλαγή στον αλγόριθμο μπορεί εύκολα ενσωματωθεί στην υλοποίηση. Στην βιβλιογραφία, πολ λοί σχεδιασμοί έχουν αναφερθεί οι οποίοι ακολουθούν μία από τις δύο πρακτικές (βλ [99,100,102,101]. για μια επισκόπηση πάνω στο θέμα).Υιοθετώντας την πρακτική των προγραμματιζόμενων αρχιτεκτονικών, θα με λετήσουμε την software υλοποίηση του ΗΒΜΜΕ αλγόριθμου σε ένα πολυεπε ξεργαστή (multiprocessor) ο οποίος χρησιμοποιεί ως δίκτυο διασύνδεσης το δί κτυο του υπερκύβου.…”

unclassified

“…Καθώς η συμπίεση του video είναι μία λειτουργία που απαιτεί ένα μεγάλο αριθμό υπολογισμών, συνήθως υλοποιείται σε επίπεδο υλικού. Οι αρχιτεκτονικές που έχουν χρησιμοποιηθεί για το σκοπό αυτό χωρίζονται σε δύο κύριες κατηγορίες: α) τις αρχιτεκτονικές που είναι προσαρμοσμένες για μια συγκεκριμένη εφαρμογή και β) τις προγραμματιζόμενες αρχιτεκτονικές[99,100,101]. Στη πρώτη κα τηγορία, οι αρχιτεκτονικές είναι ειδικού σκοπού και το υλικό σχεδιάζεται κατά βέλτιστο τρόπο για μια συγκεκριμένη εφαρμογή.…”

unclassified

See 2 more Smart Citations

Παράλληλες Υλοποήσεις Θεμελιωδών Εργαλείων Της Τεχνολογίας Των Πολυμέσων

Κωνσταντόπουλος¹

View full text Add to dashboard Cite

Εισαγωγή 6 1.1 Τεχνολογία των πολυμέσων -Ανάγκη για αυξημένη υπολογιστική ισχύ 8 1.2 Το βασικό μοντέλο παράλληλης επεξεργασίας 12 1.3 Η οργάνωση της διατριβής 14 2 Παράλληλοι αλγόριθμοι πολλαπλασιασμού πινάκων σε συσχετιστικό μοντέλο επεξεργασίας 2.1 Η αρχιτεκτονική μας 2.2 Το μοντέλο της Συσχετιστικής μνήμης 2.3 Αλγόριθμοι Πολλαπλασιασμού Πινάκων 25 2.3.1 Ο αλγόριθμος στο mesh δίκτυο 26 2.3.2 θέματα προσαρμογής 2.3.3 Οι αλγόριθμοι 2.3.4 Σχετική έρευνα 37Γ then i and / differ at the r-th bit else i and / differ at the (m -l)-th bit όπου χ είναι μία οποιαδήποτε δυαδική τιμή, και φ είναι η πράξη του αποκλειστικού-Ή.for a = 0; i < N; «' + +){ A[i,j] = A[G m (i),G m (j)] B[i,j] = B[G m (i),j] C[i,j] = 0 } (b) Mesh input for 1-GRAY for J = 0; i < N; i + +) { A[i,j} = A[G m (i),G m (j)] B[i,3\ = B[G m {i),G m {3)] C[i,3] = 0 } (a) Mesh input for 2-GRAY forali«,.? €[0,--,iV-l] foralli,j€ [0,---,JV-l] A[G m (i),G m (j)]= A[G m (i),G m ((i + j)modN)] A[i,j]= A[i,G m (j)] A[G m (i),j] = A[G m (i), (i + j) m odN] AUX[i,j] = A[i,fl AUX[i, j] = AUX[i, N-l-j] B[G m {i),G m {j)]= B[G m {(i + j)modN),G m (j)] B[G m {i),j] = B[G m {(i + j)modN),j] for k = 1 to Ν -1 do C[i,j]= C[i,j) + A[i,j]-B[i,j\ A[i,G m (j)]= A[i,G m ((j + l)modN)] *) *) *) *) *) *) *) *) *) *) *) *) *) *) *) *) (* PARTIAL SUMS*) (* WHEN (* ESTIMATING *) *) *) *) *) *) *) *) *) *) *) *) (* EACH PYRAMID*) (* LEVEL *) d: INTEGER; (* THE MAXIMUM *) *) *) *) *) *) *) *) *) *)

show abstract

An efficient parallel algorithm for motion estimation in very low bit-rate video coding systems

Konstantopoulos

Svolos

Kaklamanis

2000

Concurrency: Pract. Exper.

View full text Add to dashboard Cite

SUMMARYMotion estimation is widely used in video coding schemes in order to reduce the inherent temporal redundancy among the frames of a video stream. In particular, low and very low bit rate video coding schemes need sophisticated motion models which usually require a large number of arithmetic operations. In this paper we present a parallel algorithm for the most practical of these models. Specifically we implement the affine motion model on a hypercube-based multiprocessor. This model covers the most usual kinds of motion and requires only a modest number of arithmetic operations. Also, the hypercube network can efficiently handle the non-regular data flow resulting from the parallel implementation of this model. In addition, we assume that our multiprocessor is fine grained, in contrast to most programmable architectures used in video coding, where processors usually have large local memory. Apart from its practicality, the constraint of limited local memory makes the algorithm design more challenging and thus more theoretically interesting. Finally, with regard to other proposals in the literature, our scheme is more general: whereas our scheme covers all kinds of motion supported by the affine motion model, the rest of the proposals deal only with a subset of these kinds.

show abstract

VLSI Implementation Strategies

Cited by 3 publications

References 11 publications

High-level algorithm and architecture transformations for DSP synthesis

High-level algorithm and architecture transformations for DSP synthesis

Παράλληλες Υλοποήσεις Θεμελιωδών Εργαλείων Της Τεχνολογίας Των Πολυμέσων

An efficient parallel algorithm for motion estimation in very low bit-rate video coding systems

Contact Info

Product

Resources

About