論文の概要: XAI based Performance Preserving Adaptive Image Compression for
Efficient Satellite Communication
- arxiv url: http://arxiv.org/abs/2207.10885v1
- Date: Fri, 22 Jul 2022 05:38:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-25 13:30:37.566132
- Title: XAI based Performance Preserving Adaptive Image Compression for
Efficient Satellite Communication
- Title(参考訳): xaiによる衛星通信用適応画像圧縮の高速化
- Authors: KyungChae Lee
- Abstract要約: RDICは、解析モデル自体から取得した画素重要度スコアに応じて画像を圧縮する推論に基づく画像圧縮方式である。
実験結果から,RDIC方式は高い圧縮率と低い精度の損失を示す画像の重要領域の捕捉に成功していることがわかった。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the era of multinational cooperation, gathering and analyzing the
satellite images are getting easier and more important. Typical procedure of
the satellite image analysis include transmission of the bulky image data from
satellite to the ground producing significant overhead. To reduce the amount of
the transmission overhead while making no harm to the analysis result, we
propose a novel image compression scheme RDIC in this paper. RDIC is a
reasoning based image compression scheme that compresses an image according to
the pixel importance score acquired from the analysis model itself. From the
experimental results we showed that our RDIC scheme successfully captures the
important regions in an image showing high compression rate and low accuracy
loss.
- Abstract(参考訳): 多国籍協力の時代には、衛星画像の収集と分析がますます重要になっている。
衛星画像解析の典型的な手順は、衛星から地上へのバルク画像データの送信であり、大きなオーバーヘッドをもたらす。
本稿では,解析結果に悪影響を及ぼさずに伝送オーバーヘッドを低減するため,新しい画像圧縮方式RDICを提案する。
RDICは、解析モデル自体から取得した画素重要度スコアに応じて画像を圧縮する推論に基づく画像圧縮方式である。
実験結果から,RDIC方式は高い圧縮率と低い精度の損失を示す画像の重要領域の捕捉に成功していることがわかった。
関連論文リスト
- Semantic Ensemble Loss and Latent Refinement for High-Fidelity Neural
Image Compression [62.888755394395716]
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) - 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) - Analysis of the Effect of Low-Overhead Lossy Image Compression on the
Performance of Visual Crowd Counting for Smart City Applications [78.55896581882595]
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。
論文 参考訳(メタデータ) (2022-07-20T19:20:03Z) - Hierarchical Similarity Learning for Aliasing Suppression Image
Super-Resolution [64.15915577164894]
エイリアスの影響を抑制するために階層画像超解像ネットワーク(HSRNet)を提案する。
HSRNetは、他の作品よりも定量的かつ視覚的なパフォーマンスを向上し、エイリアスをより効果的に再送信する。
論文 参考訳(メタデータ) (2022-06-07T14:55:32Z) - Transformer-based SAR Image Despeckling [53.99620005035804]
本稿では,SAR画像復号化のためのトランスフォーマーネットワークを提案する。
提案する非特定ネットワークは、トランスフォーマーベースのエンコーダにより、異なる画像領域間のグローバルな依存関係を学習することができる。
実験により,提案手法は従来型および畳み込み型ニューラルネットワークに基づく解法よりも大幅に改善されていることが示された。
論文 参考訳(メタデータ) (2022-01-23T20:09:01Z) - Implicit Neural Representations for Image Compression [103.78615661013623]
Inlicit Neural Representations (INRs) は、様々なデータ型の新規かつ効果的な表現として注目されている。
量子化、量子化を考慮した再学習、エントロピー符号化を含むINRに基づく最初の包括的圧縮パイプラインを提案する。
我々は、INRによるソース圧縮に対する我々のアプローチが、同様の以前の作業よりも大幅に優れていることに気付きました。
論文 参考訳(メタデータ) (2021-12-08T13:02:53Z) - Super-Resolving Beyond Satellite Hardware Using Realistically Degraded
Images [0.23090185577016442]
現実のリモートセンシングペイロードにおける深部SRの利用可能性について,現実的に劣化した衛星画像の再構築におけるSR性能を評価することにより検証する。
本研究では, 強調深度超分解能ネットワーク(EDSR)と呼ばれる最先端のSR技術により, 地上サンプリング距離の低い画像の符号化画素データを復元できることを実証した。
論文 参考訳(メタデータ) (2021-03-10T00:20:33Z) - Fusion of Deep and Non-Deep Methods for Fast Super-Resolution of
Satellite Images [54.44842669325082]
本研究は,超解像(SR)による画質向上により,画質と価格のギャップを埋めることを提案する。
低解像度画像の各パッチの地域情報内容を解析するSRフレームワークを設計する。
本研究では,既存の深部SR法と同等の性能を示しながら,推定時間を大幅に減少させることを示した。
論文 参考訳(メタデータ) (2020-08-03T13:55:39Z) - A GAN-based Tunable Image Compression System [13.76136694287327]
本稿では、GAN(Generative Adversarial Network)を用いてコンテンツベースの圧縮を再考し、重要でない領域を再構築する。
モデルを再トレーニングすることなく、特定の圧縮比に画像を圧縮するチューナブル圧縮スキームも提案する。
論文 参考訳(メタデータ) (2020-01-18T02:40:09Z)
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。