我面临的问题是分割大型数据集（最多2048x2048x40x10000 x，y，z，t==解压缩的几个地形字节，给予或接受）。从好的方面来说，这个数据集中的特征相当小；最大20x20x20x20左右。
就我所见，没有现成的解决方案（如果我错了，请纠正我）。我对如何解决这个问题有一些计划，但我希望得到你的反馈。
一个时间片的最大值约为600mb；在典型情况下较少；我可以在我的4gb内存中保存一堆连续的这样的切片。
考虑到我的特征很小，我的直觉认为最好避免所有形式的分割聪明，只需对我的标签进行局部迭代式的洪水填充式更新；如果你的邻居有一个更高的标签，复制它；迭代直到收敛。迭代次数应以任何维度上的最大集群大小为界，该大小也应很小。
CUDA天生喜欢3D，所以我可以分两步来做；迭代所有尚未收敛的三维体积切片。然后简单地在所有连续的时间片上执行元素循环，并执行相同的floodfill逻辑。
我可以用一个简单的递增唯一计数器初始化迭代，或者先找到局部最大值，然后在那里播种标签。后者是首选的，所以我可以保留一个按标签索引的数组，以存储所有区域的x、y、z、t最小/最大范围（也可以作为后处理）。如果某个区域没有扩展到最近的时间片，则会从数据中删除该区域，并将其位置写入数据库。如果后面的时间片已经以这种方式完全耗尽（总和为零），请将其从内存中删除。（或者，如果内存溢出，也可以删除最新的；这样做的近似值将不得不接受）
这似乎应该奏效。考虑到z维度的大小有限，你认为启动x，y，z线程块更好，还是启动x，y块，让每个线程在z维度上循环更好？这是一种"试着看看"的事情，还是有一个简单的答案？
我刚刚想到的另一个优化；如果我把一个x，y，z块加载到共享内存中，那么在我有内存的时候执行几个floodfill更新不是更快吗？也许最好让本地内存迭代到收敛，然后继续……我想这与上述问题有关。单个邻居最大查找可能是次优计算强度，因此在z上循环或迭代几次应该会抵消这一点。我想我更喜欢后者。
另一个问题；类似的东西似乎还不存在，但如果链接到包含做类似事情的模板代码的项目，我们将不胜感激（优化的三维floodfill代码？），因为我对CUDA的了解仍然参差不齐。
提前感谢您的想法和反馈！
用于记录；我得到了一个有效的解决方案，我很满意；当它稍微成熟一点的时候，可能会把它放在网上。以下是描述：
我现在做的是：
- 查找最大值
- 使用原子增量标记最大值
- 创建每个像素指向自身的指针图像
- 指针图像上的泛洪填充：如果邻居指向更大的值，则复制他的指针
这将提供一个分水岭指针图像，每个指针指向一个唯一的标签。
然后我做了一个合并步骤；如果相邻的像素指向不同的标签，并且它们的值超过了一个trehold，我会合并它们的标签，这样"充分连接"的最大值就不会形成它们自己的区域。
然后我取消引用指针，我有一个很好的标签图像。由于我只在最大值上播种标签，因此最大值标签是一个小数字；我分配了一个这样大小的6xN数组，并使用原子计算每个特性的最小/最大范围。
目前没有使用任何共享内存，但速度已经相当快了。我不小心做了一些半聪明的事；由于我首先做了一个分水岭，然后用一次扫描合并相邻的水流失区域，所以我实际上是在做某种多级算法。性能主要由大量的floodfill调用和两到三次合并扫描决定。正确使用共享内存可以将我的内存带宽需求减少5倍，但在它明确显示为瓶颈之前，我将拭目以待。我已经得到了一个更像我想要的分割，而不是我可以与scipy争论的分割，它更快，使用的内存更少一个数量级，所以我现在很高兴。
最简单的方法是使用1D存储并在其上覆盖4D索引模式。
address=x+y*宽度+z*高度*宽度+t*长度*高度*宽；
这意味着
数据（0,1,0,0）和数据（1,0,0,0）位于连续地址，但
数据（0，0，0、0）和数据（0、0、0，1）是宽度*高度*长度地址部分。
但是，如果您的访问模式正在处理最近的邻居，那么您需要空间局部性来进行索引。
这可以使用索引的Morton Z（Peano Key）排序来实现。它将最近的邻居放置在紧密的线性存储器地址中。这个Z阶线性地址是通过交错x，y，Z，t索引的交替比特而获得的。有关2D示例，请参见
http://graphics.stanford.edu/~seander/bithacks.html#InterleaveTableObvious
我建议使用一种金字塔处理方案：您可以快速计算类似mipmap的细节级别，存储组合体素的最大/最小值。这应该会产生类似于八叉树的结果。然后你可以只在感兴趣的区域开始分割，这会大大加快速度。如果你只有几个非常小的片段，这应该会很好地工作。
我想你也可以使用级别集（可以在GPU上实现），但我发现这些有点难以实现（谷歌搜索"CUDA级别集"）。
随着时间的推移，你是否必须跟踪你的细分市场？你知道怎么做吗？