論文の概要: Accelerated Deep Lossless Image Coding with Unified Paralleleized GPU Coding Architecture

• arxiv url: http://arxiv.org/abs/2207.05152v1
• Date: Mon, 11 Jul 2022 19:34:56 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-13 13:58:29.980308
• Title: Accelerated Deep Lossless Image Coding with Unified Paralleleized GPU Coding Architecture
• Title（参考訳）: 並列化GPU符号化アーキテクチャによる深層ロスレス画像符号化
• Authors: Benjamin Lukas Cajus Barzen, Fedor Glazov, Jonas Geistert, Thomas Sikora
• Abstract要約: 我々のアルゴリズムはエントロピーエンコーダと組み合わせたニューラルネットワークに基づいている。 ニューラルネットワークは、ソース画像の各画素に対して密度推定を行う。 次に、密度推定を用いて対象画素を符号化し、圧縮率でFLIFを上回ります。
• 参考スコア（独自算出の注目度）: 1.2124289787900182
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose Deep Lossless Image Coding (DLIC), a full resolution learned lossless image compression algorithm. Our algorithm is based on a neural network combined with an entropy encoder. The neural network performs a density estimation on each pixel of the source image. The density estimation is then used to code the target pixel, beating FLIF in terms of compression rate. Similar approaches have been attempted. However, long run times make them unfeasible for real world applications. We introduce a parallelized GPU based implementation, allowing for encoding and decoding of grayscale, 8-bit images in less than one second. Because DLIC uses a neural network to estimate the probabilities used for the entropy coder, DLIC can be trained on domain specific image data. We demonstrate this capability by adapting and training DLIC with Magnet Resonance Imaging (MRI) images.
• Abstract（参考訳）: 本研究では,フル解像度学習型ロスレス画像圧縮アルゴリズムであるdeep lossless image coding (dlic)を提案する。 我々のアルゴリズムはエントロピーエンコーダと組み合わせたニューラルネットワークに基づいている。 ニューラルネットワークは、ソース画像の各画素に対して密度推定を行う。 次に、密度推定を用いて対象画素を符号化し、圧縮率でFLIFを上回ります。 同様のアプローチが試みられている。 しかし、長い実行時間は現実世界のアプリケーションでは実現不可能である。 並列化GPUベースの実装を導入し、グレースケールの8ビット画像を1秒未満で符号化および復号化することができる。 DLICはニューラルネットワークを使用してエントロピーコーダの確率を推定するため、ドメイン固有の画像データに基づいてトレーニングすることができる。 磁気共鳴イメージング(MRI)画像を用いてDLICを適応し、訓練することにより、この能力を実証する。

関連論文リスト

• Deep Lossy Plus Residual Coding for Lossless and Near-lossless Image Compression [85.93207826513192]
  本稿では、損失のない画像圧縮とほぼロスレス画像圧縮の両面において、統合された強力な深い損失+残差(DLPR)符号化フレームワークを提案する。 VAEのアプローチにおける連立損失と残留圧縮の問題を解く。 ほぼロスレスモードでは、元の残差を量子化し、与えられた$ell_infty$エラー境界を満たす。
  論文  参考訳（メタデータ） (2022-09-11T12:11:56Z)
• RIDDLE: Lidar Data Compression with Range Image Deep Delta Encoding [21.70770383279559]
  ライダーは、自律運転や拡張現実に広く使われている深度測定センサーである。 ライダーが生成する大量のデータは、データストレージと送信のコストが高くなる可能性がある。 RIDDLE (Range Image Deep DeLta) と呼ばれる新しいデータ駆動レンジ画像圧縮アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-06-02T21:53:43Z)
• COIN++: Data Agnostic Neural Compression [55.27113889737545]
  COIN++は、幅広いデータモダリティをシームレスに扱うニューラルネットワーク圧縮フレームワークである。 様々なデータモダリティを圧縮することで,本手法の有効性を示す。
  論文  参考訳（メタデータ） (2022-01-30T20:12:04Z)
• Small Lesion Segmentation in Brain MRIs with Subpixel Embedding [105.1223735549524]
  ヒト脳のMRIスキャンを虚血性脳梗塞と正常組織に分割する方法を提案する。 本稿では,空間展開埋め込みネットワークによって予測を導出する標準エンコーダデコーダの形式でニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-09-18T00:21:17Z)
• Image Compression with Recurrent Neural Network and Generalized Divisive Normalization [3.0204520109309843]
  深層学習は研究コミュニティから大きな注目を集め、将来有望な画像再構成結果を生み出している。 近年の手法は、ネットワークの複雑さを大幅に増大させる、より深い複雑なネットワークの開発に焦点を当てている。 本稿では、畳み込み層を用いた解析とブロック合成と、可変レートエンコーダとデコーダ側における一般化分割正規化(GDN)の2つの有効な新しいブロックを開発する。
  論文  参考訳（メタデータ） (2021-09-05T05:31:55Z)
• Quantized Neural Networks via {-1, +1} Encoding Decomposition and Acceleration [83.84684675841167]
  本稿では,量子化されたニューラルネットワーク(QNN)をマルチブランチバイナリネットワークに分解するために,-1,+1を用いた新しい符号化方式を提案する。 本稿では,大規模画像分類,オブジェクト検出,セマンティックセグメンテーションにおける提案手法の有効性を検証する。
  論文  参考訳（メタデータ） (2021-06-18T03:11:15Z)
• COIN: COmpression with Implicit Neural representations [64.02694714768691]
  画像圧縮のための新しい簡易手法を提案する。 画像の各ピクセルのRGB値を格納する代わりに、画像に過度に適合したニューラルネットワークの重みを格納する。
  論文  参考訳（メタデータ） (2021-03-03T10:58:39Z)
• How to Exploit the Transferability of Learned Image Compression to Conventional Codecs [25.622863999901874]
  本稿では,学習した画像の符号化をサロゲートとして利用して,画像の符号化を最適化する方法を示す。 提案手法は,MS-SSIM歪みをデコードオーバーヘッドを伴わずに20%以上の速度改善で補正するために,従来の画像を再構成することができる。
  論文  参考訳（メタデータ） (2020-12-03T12:34:51Z)
• Towards Dense People Detection with Deep Learning and Depth images [9.376814409561726]
  本稿では,1つの深度画像から複数の人物を検出するDNNシステムを提案する。 我々のニューラルネットワークは深度画像を処理し、画像座標の確率マップを出力する。 我々は、この戦略が効果的であることを示し、トレーニング中に使用するものと異なるシーンで動作するように一般化したネットワークを創出する。
  論文  参考訳（メタデータ） (2020-07-14T16:43:02Z)
• Neural Sparse Representation for Image Restoration [116.72107034624344]
  スパース符号化に基づく画像復元モデルの堅牢性と効率に触発され,深部ネットワークにおけるニューロンの空間性について検討した。 本手法は,隠れたニューロンに対する空間的制約を構造的に強制する。 実験により、複数の画像復元タスクのためのディープニューラルネットワークではスパース表現が不可欠であることが示されている。
  論文  参考訳（メタデータ） (2020-06-08T05:15:17Z)
• DPDnet: A Robust People Detector using Deep Learning with an Overhead Depth Camera [9.376814409561726]
  本研究では,高信頼度で1つの頭上深度画像から複数の人物を検出する手法を提案する。 DPDnetと呼ばれるニューラルネットワークは、残層に基づく2つの完全畳み込みエンコーダデコーダニューラルブロックに基づいている。 実験の結果、PDNetは最先端の手法よりも優れており、3つの異なる公開データセットで99%以上のアキュラシーを達成している。
  論文  参考訳（メタデータ） (2020-06-01T16:28:25Z)

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。