論文の概要: Analysis of the Effect of Low-Overhead Lossy Image Compression on the Performance of Visual Crowd Counting for Smart City Applications

• arxiv url: http://arxiv.org/abs/2207.10155v1
• Date: Wed, 20 Jul 2022 19:20:03 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-22 12:51:13.202945
• Title: Analysis of the Effect of Low-Overhead Lossy Image Compression on the Performance of Visual Crowd Counting for Smart City Applications
• Title（参考訳）: スマートシティ・アプリケーションにおける低オーバヘッド画像圧縮が視覚群数性能に及ぼす影響の解析
• Authors: Arian Bakhtiarnia, B{\l}a\.zej Leporowski, Lukas Esterle and Alexandros Iosifidis
• Abstract要約: 画像圧縮技術は画像の品質を低下させ、精度を低下させる。 本稿では,低オーバヘッド損失画像圧縮法の適用が視覚的群集カウントの精度に与える影響を解析する。
• 参考スコア（独自算出の注目度）: 78.55896581882595
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Images and video frames captured by cameras placed throughout smart cities are often transmitted over the network to a server to be processed by deep neural networks for various tasks. Transmission of raw images, i.e., without any form of compression, requires high bandwidth and can lead to congestion issues and delays in transmission. The use of lossy image compression techniques can reduce the quality of the images, leading to accuracy degradation. In this paper, we analyze the effect of applying low-overhead lossy image compression methods on the accuracy of visual crowd counting, and measure the trade-off between bandwidth reduction and the obtained accuracy.
• Abstract（参考訳）: スマートシティ全体でカメラが捉えた画像やビデオフレームは、ネットワークを介してサーバに送信され、さまざまなタスクのためにディープニューラルネットワークによって処理される。 生画像の伝送、すなわち圧縮が不要な場合、高い帯域幅が必要であり、混雑問題や送信遅延につながる可能性がある。 画像圧縮技術の使用により画像の品質が低下し、精度が低下する。 本稿では,低オーバヘッド損失画像圧縮法が視覚的群集カウントの精度に与える影響を分析し,帯域幅削減と得られた精度とのトレードオフを測定する。

関連論文リスト

• 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)
• Are Visual Recognition Models Robust to Image Compression? [23.280147529096908]
  画像圧縮が視覚認知タスクに与える影響を解析する。 我々は、0.1ビットから2ビット/ピクセル(bpp)までの幅広い圧縮レベルについて検討する。 これら3つのタスクすべてにおいて,強い圧縮を使用する場合,認識能力に大きな影響があることが判明した。
  論文  参考訳（メタデータ） (2023-04-10T11:30:11Z)
• Improving Multi-generation Robustness of Learned Image Compression [16.86614420872084]
  ネットワーク構造を変更せずに50回再符号化しても,BPGの最初の圧縮に匹敵する性能が得られることを示す。
  論文  参考訳（メタデータ） (2022-10-31T03:26:11Z)
• 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)
• Convolutional Neural Network (CNN) to reduce construction loss in JPEG compression caused by Discrete Fourier Transform (DFT) [0.0]
  畳み込みニューラルネットワーク(CNN)は他の多くのディープニューラルネットワークよりも注目されている。 本研究では,オートエンコーダを用いた効率的な画像圧縮手法を提案する。
  論文  参考訳（メタデータ） (2022-08-26T12:46:16Z)
• 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)
• Optimizing Image Compression via Joint Learning with Denoising [49.83680496296047]
  スマートフォンカメラに搭載された比較的小さなセンサーのため、今日の撮像画像には高レベルのノイズが通常存在している。 計算コストを少なくして目的をシンプルかつ効果的に実現できるように,プラグイン機能付き2分岐重み共有アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-07-22T04:23:01Z)
• Modeling Image Quantization Tradeoffs for Optimal Compression [0.0]
  ロスシー圧縮アルゴリズムは、圧縮率を上げるために高周波データを定量化することでトレードオフを狙う。 本稿では,Deep Learningとminimax損失関数を用いた量子化テーブルの最適化手法を提案する。
  論文  参考訳（メタデータ） (2021-12-14T07:35:22Z)
• Soft Compression for Lossless Image Coding [17.714164324169037]
  画像に関する新しい概念である圧縮可能なインジケータ関数を提案する。 ソフト圧縮を施すことにより、同じ種類の画像の送受信に必要となる帯域幅とストレージスペースを大幅に削減することが期待される。
  論文  参考訳（メタデータ） (2020-12-11T10:59:47Z)
• Discernible Image Compression [124.08063151879173]
  本稿では、外観と知覚の整合性の両方を追求し、圧縮画像を作成することを目的とする。 エンコーダ・デコーダ・フレームワークに基づいて,事前学習したCNNを用いて,オリジナル画像と圧縮画像の特徴を抽出する。 ベンチマーク実験により,提案手法を用いて圧縮した画像は,その後の視覚認識・検出モデルでもよく認識できることが示された。
  論文  参考訳（メタデータ） (2020-02-17T07:35:08Z)

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。