Performance quantification of volume visualization

Abstract

This thesis presents machine learning models to predict the performance of volume visualization applications. The work focuses on two aspects of performance prediction related to volume visualization: the prediction of the execution time of an upcoming frame during runtime of an interactive volume visualization application and the prediction of the average performance of rendering volume data sets on arbitrary graphics cards. For dynamic frame time prediction, a volume ray caster with acceleration techniques is implemented, which allows user interactions. Data from the corresponding acceleration algorithms is used for the creation of a linear regression machine learning model, among other features. This model enables a real-time prediction of execution times needed for upcoming frames with a coefficient of determination between 0.67 and 0.96 for tested data sets. Predicting the average execution times on different GPUs is approached from two different directions. In the first one, a machine learning model is employed that allows the prediction of average execution times of an unevaluated data set. In addition to attributes describing the GPUs on which the performance is to be predicted, it only uses one feature specifying the volume, namely its file size. For tested data sets with high resolutions, predictions with a coefficient of determination between 0.56 and 0.83 could be made. In the second approach, a linear regression model is used which can predict the average execution time of a volume data set on an unevaluated system. Thereby, relative prediction errors between 5.33% and 22.22% on average could be achieved on different evaluated NVIDIA GPUs.

In dieser Arbeit werden verschiedene Modelle aus dem Bereich des maschinellen Lernens vorgestellt, mit denen die Leistungsfähigkeit von Anwendungen zur Volumenvisualisierung vorhergesagt werden kann. Der Fokus der Arbeit liegt dabei auf zwei verschiedenen Aspekten der Leistungsfähigkeitsvorhersage bei dreidimensionaler Visualisierung von Volumina: der Vorhersage der Zeit, die benötigt wird um das nächste Bild zur Laufzeit einer interaktiven Volumenvisualisierungsanwendung zu berechnen, sowie derer, die im Durchschnitt benötigt wird, um Volumina auf beliebigen Grafikprozessoren zu berechnen. Für die dynamische Bildvorhersage findet ein Volumen-Raycaster mit Beschleunigungstechniken Verwendung, welcher auch Benutzerinteraktion ermöglicht. Daten aus den Algorithmen für die Beschleunigungstechniken werden zusammen mit anderen als Features für die Generierung eines linearen Regressionsmodells zum maschinellen Lernen verwendet. Das entwickelte Modell ermöglicht eine Echtzeitvorhersage der Zeiten, die für die Berechnung der nächsten Bilder benötigt werden. Der Determinationskoeffizient für die untersuchten Datensätze liegt dabei zwischen 0.67 und 0.96. Zwei unterschiedliche Herangehensweisen werden verwendet, um die durchschnittlichen Berechnungszeiten auf verschiedenen GPUs vorherzusagen. In der ersten Variante wird ein Modell verwendet, das die Vorhersage der durchschnittlichen Berechnungszeiten eines unevaluierten Volumens ermöglicht. Während das Modell verschiedene Attribute inkludiert, welche die jeweilige GPU spezifizieren, ist die Dateigröße das einzige Attribute, das der Beschreibung von Volumina dient. Für getestete Volumina mit hohen Auflösungen konnten Vorhersagen mit einem Determinationskoeffizienten zwischen 0.56 und 0.83 gemacht werden. In der zweiten Herangehensweise wurde ein lineares Regressionsmodell verwendet, das die durchschnittliche Berechnungszeit eines Volumendatensatzes auf einem unevaluierten System vorhersagen kann. In Abhängigkeit vom Testdatensatz konnten durchschnittlich Vorhersagen mit einem relativen Fehler zwischen 5.33% und 22.22% auf verschiedenen, getesteten NVIDIA Grafikkarten erreicht werden.