In this letter, we investigate the

In this letter, we investigate the adoption and accelerationof a competing algorithm for low-power embedded systems.The algorithm, Efficient Large-Scale Stereo (ELAS) [12], isthe fastest CPU algorithm w.r.t. resolution on the Middleburydataset [13] and one of the most accurate non-global methods.ELAS is attractive since it very efficiently implements a slantedplane prior while its dense depth estimation is fully decompos-able over all pixels and, hence, suitable for parallel processing.Unfortunately, the intermediate step,i.e., estimation of coarsescene geometry through the triangulation of support points, is avery iterative, sequential and conditional process with an unpre-dictable memory access pattern; making it difficult to accelerateon an FPGA.

結果 (繁體中文) 1:

在這封信中，我們研究了採用和accelerationof競爭算法的低功耗嵌入式systems.The算法，高效的大型立體聲（ELAS）[12]，在Middleburydataset isthe最快的CPU算法WRT決議[13]和一個最準確的非全局methods.ELAS是吸引人的，因為它非常有效地之前實現slantedplane而其稠密深度估計是充分decompos-能夠在所有的像素，因此，適合並行processing.Unfortunately，中間步驟，即估計通過支撐點三角coarsescene的幾何形狀，是艾利迭代的，與未預預知的存儲器訪問模式的順序和條件的過程; 因此很難accelerateon的FPGA。

結果 (繁體中文) 2:

在這封信中，我們研究了低功耗嵌入式系統競爭演算法的採用和加速。該演算法，高效大規模身歷聲（ELAS）[12]，是米德伯裡資料集上解析度最快的CPU演算法[13]，也是最精確的非全域方法之一。ELAS 很有吸引力，因為它非常高效地先實現斜面，同時其密集深度估計在所有圖元上完全可分解，因此適合並行處理。不幸的是，中間步驟，即通過支撐點的三角剖分估計粗糙場景幾何，是一個不可預置的記憶體訪問模式的反覆運算、順序和條件過程;使得在FPGA上加速變得困難。

結果 (繁體中文) 3:

在這封信中，我們研究了低功耗嵌入式系統中競爭算灋的採用和加速。算灋高效的大規模身歷聲（ELAS）[12]，是Middleburydataset上最快的CPU算灋w.r.t.分辯率[13]和最精確的非全域方法之一。ELAS很有吸引力，因為它非常有效地實現了傾斜平面先驗，而其密集的深度估計在所有點數上完全可分解，囙此適合並行處理。不幸的是，中間的步驟，即通過支撐點的三角剖分來估計粗略的場景幾何，是一個具有不可預測記憶體訪問模式的平均反覆運算、順序和條件過程；使得在FPGA上加速變得困難。