論文の概要: Quantifying the effect of image compression on supervised learning
applications in optical microscopy
- arxiv url: http://arxiv.org/abs/2009.12570v1
- Date: Sat, 26 Sep 2020 11:25:57 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-14 09:15:40.466807
- Title: Quantifying the effect of image compression on supervised learning
applications in optical microscopy
- Title（参考訳）: 光顕微鏡における教師あり学習における画像圧縮の効果の定量化
- Authors: Enrico Pomarico, C\'edric Schmidt, Florian Chays, David Nguyen,
Arielle Planchette, Audrey Tissot, Adrien Roux, St\'ephane Pag\`es, Laura
Batti, Christoph Clausen, Theo Lasser, Aleksandra Radenovic, Bruno
Sanguinetti, and J\'er\^ome Extermann
- Abstract要約: 予測不能なアーティファクトを生成するために、画像圧縮のリスクが失われる。
オブジェクトと画像固有のセグメンテーションパラメータの予測は最大15%変更可能であることを示す。
SL支援フィールドにおける様々なデータ解析パイプラインを検証するために,本手法を一般化することができる。
- 参考スコア（独自算出の注目度）: 41.74498230885008
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The impressive growth of data throughput in optical microscopy has triggered
a widespread use of supervised learning (SL) models running on compressed image
datasets for efficient automated analysis. However, since lossy image
compression risks to produce unpredictable artifacts, quantifying the effect of
data compression on SL applications is of pivotal importance to assess their
reliability, especially for clinical use. We propose an experimental method to
evaluate the tolerability of image compression distortions in 2D and 3D cell
segmentation SL tasks: predictions on compressed data are compared to the raw
predictive uncertainty, which is numerically estimated from the raw noise
statistics measured through sensor calibration. We show that predictions on
object- and image-specific segmentation parameters can be altered by up to 15%
and more than 10 standard deviations after 16-to-8 bits downsampling or JPEG
compression. In contrast, a recently developed lossless compression algorithm
provides a prediction spread which is statistically equivalent to that stemming
from raw noise, while providing a compression ratio of up to 10:1. By setting a
lower bound to the SL predictive uncertainty, our technique can be generalized
to validate a variety of data analysis pipelines in SL-assisted fields.
- Abstract（参考訳）: 光顕微鏡におけるデータスループットの顕著な成長は、効率的な自動解析のために圧縮画像データセット上で実行される教師あり学習(SL)モデルを広く活用するきっかけとなった。
しかし, 画像圧縮のリスクが低いため, データ圧縮がSLアプリケーションに与える影響を定量化することが, 信頼性, 特に臨床応用において重要な課題である。
本研究では,2次元および3次元セルセグメンテーションslタスクにおける画像圧縮歪みの許容性を評価する実験手法を提案する。
16ビットから8ビットのダウンサンプリングやJPEG圧縮の後に、オブジェクトと画像固有のセグメンテーションパラメータの予測を最大15%、標準偏差10以上変更できることを示す。
対照的に、最近開発されたロスレス圧縮アルゴリズムは、生のノイズから生じるものと統計的に等価な予測スプレッドを提供し、圧縮比は最大10:1である。
SL予測の不確実性に対する低い境界を設定することで、SL支援フィールドにおける様々なデータ解析パイプラインを検証することができる。
関連論文リスト
- A Rate-Distortion-Classification Approach for Lossy Image Compression [0.0]
損失画像圧縮では、画像を特定のビットレートに圧縮しながら、最小限の信号歪みを実現する。
画像圧縮と視覚解析のギャップを埋めるために、損失画像圧縮のためのRDCモデルを提案する。
論文 参考訳（メタデータ） (2024-05-06T14:11:36Z) - Probing Image Compression For Class-Incremental Learning [8.711266563753846]
連続機械学習(ML)システムは、前もって学習したデータのパフォーマンスを維持するために、メモリ制限内に代表サンプル(例題としても知られる)を格納することに依存する。
本稿では,バッファの容量を増大させる戦略として画像圧縮を利用する方法を検討する。
本稿では,事前処理データ圧縮ステップと効率的な圧縮率/アルゴリズム選択方法を含む連続MLのための画像圧縮を組み込む新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2024-03-10T18:58:14Z) - Semantic Ensemble Loss and Latent Refinement for High-Fidelity Neural Image Compression [58.618625678054826]
本研究は、最適な視覚的忠実度のために設計された強化されたニューラル圧縮手法を提案する。
我々は,洗練されたセマンティック・アンサンブル・ロス,シャルボニエ・ロス,知覚的損失,スタイル・ロス,非バイナリ・ディバイザ・ロスを組み込んだモデルを構築した。
実験により,本手法は神経画像圧縮の統計的忠実度を著しく向上させることが示された。
論文 参考訳（メタデータ） (2024-01-25T08:11:27Z) - Transferable Learned Image Compression-Resistant Adversarial Perturbations [66.46470251521947]
敵対的攻撃は容易に画像分類システムを破壊し、DNNベースの認識タスクの脆弱性を明らかにする。
我々は、学習した画像圧縮機を前処理モジュールとして利用する画像分類モデルをターゲットにした新しいパイプラインを提案する。
論文 参考訳（メタデータ） (2024-01-06T03:03:28Z) - Deep learning based Image Compression for Microscopy Images: An
Empirical Study [3.915183869199319]
本研究では,古典的および深層学習に基づく画像圧縮法とその深層学習に基づく画像処理モデルへの影響について分析する。
このような所望の方法で画像を圧縮するには、複数の古典的損失画像圧縮技術と、複数のAIベースの圧縮モデルを比較する。
その結果、AIベースの圧縮技術は従来の圧縮技術よりも優れており、2Dケースでは下流のラベルなしタスクに最小限の影響を及ぼすことがわかった。
論文 参考訳（メタデータ） (2023-11-02T16:00:32Z) - Extreme Image Compression using Fine-tuned VQGANs [43.43014096929809]
本稿ではベクトル量子化(VQ)に基づく生成モデルを画像圧縮領域に導入する。
VQGANモデルによって学習されたコードブックは、強い表現能力をもたらす。
提案したフレームワークは、知覚的品質指向のメトリクスで最先端のコーデックより優れている。
論文 参考訳（メタデータ） (2023-07-17T06:14:19Z) - Machine Perception-Driven Image Compression: A Layered Generative
Approach [32.23554195427311]
階層型生成画像圧縮モデルを提案する。
タスクに依存しない学習に基づく圧縮モデルを提案し、様々な圧縮されたドメインベースの分析タスクを効果的にサポートする。
圧縮比、再構成画像品質、下流知覚性能の最良のバランス点を得るために、共同最適化スケジュールを採用する。
論文 参考訳（メタデータ） (2023-04-14T02:12:38Z) - Crowd Counting on Heavily Compressed Images with Curriculum Pre-Training [90.76576712433595]
ディープニューラルネットワークによって処理された画像に損失圧縮を適用することで、大幅な精度低下につながる可能性がある。
カリキュラム学習のパラダイムに着想を得て,圧縮画像の群集カウントのためのカリキュラム事前学習(CPT)と呼ばれる新しいトレーニング手法を提案する。
論文 参考訳（メタデータ） (2022-08-15T08:43:21Z) - Estimating the Resize Parameter in End-to-end Learned Image Compression [50.20567320015102]
本稿では,最近の画像圧縮モデルの速度歪みトレードオフをさらに改善する検索自由化フレームワークについて述べる。
提案手法により,Bjontegaard-Deltaレート(BD-rate)を最大10%向上させることができる。
論文 参考訳（メタデータ） (2022-04-26T01:35:02Z) - Analyzing and Mitigating JPEG Compression Defects in Deep Learning [69.04777875711646]
本稿では,JPEG圧縮が共通タスクやデータセットに与える影響を統一的に検討する。
高圧縮の一般的なパフォーマンス指標には大きなペナルティがあることが示される。
論文 参考訳（メタデータ） (2020-11-17T20:32:57Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。