A Survey of GPU Implementations for Hyperspectral Image Classification in Remote Sensing

Abstract

Effective classification algorithm is a key to extracting interesting and useful information from hyperspectral images (HSI). Many researchers have worked on developing effective algorithms for HSI classifications and research is still ongoing to improve on the existing algorithms. HSI classification is a complex task due to the nature of the data involved and external factors that affect the accuracy of the classification results. Due to the complexity of this problem and the enormous computing time involved, researchers have focused their work on developing parallel algorithms. GPU-accelerated computing is the use of a graphics processing unit (GPU) together with a CPU to accelerate deep learning and other computing intensive applications. The general purpose graphic processing units have been considered as one of the most common co-processors that can help accelerate parallel applications. Implementation of parallel algorithms on GPU has significantly improved the classification of hyperspectral images. This paper is focused on the study of the available GPU implementations. It examines the performance, summarizes the major developments and concerns in the research work. It also describes the major challenges in GPU implementations for HIS.

RÉsumÉ

Un algorithme de classification efficace est fondamental pour extraire des informations intéressantes et utiles des images hyperspectrales (HSI). De nombreux chercheurs ont travaillé sur l’élaboration d’algorithmes efficaces pour les classifications des images HSI et des études sont toujours en cours pour améliorer les algorithmes existants. Classifier des images HSI est une tâche complexe en raison de la nature de ces données et de facteurs externes qui affectent l’exactitude des résultats de la classification. En raison de la complexité de ce problème et des temps de calcul énorme, les chercheurs ont porté leur attention sur le développement d’algorithmes parallèles. Une alternative est l’utilisation d’une unité de traitement graphique (GPU) avec un CPU pour accélérer l’apprentissage profond et autres applications gourmandes en ressources informatiques. Les unités de traitement graphique polyvalentes sont considérées comme des coprocesseurs accessibles qui peuvent aider à accélérer les applications parallèles. La mise en oeuvre des algorithmes parallèles sur GPU a effectivement amélioré la classification des images hyperspectrales. Cet article se concentre sur l’étude des implémentations de GPU disponibles. Nous examinons leur performance, nous résumons les principaux développements et préoccupations des chercheurs et nous décrivons les principaux défis dans l’implémentation de GPU.