論文の概要: Deep Selector-JPEG: Adaptive JPEG Image Compression for Computer Vision in Image classification with Human Vision Criteria

• arxiv url: http://arxiv.org/abs/2302.09560v1
• Date: Sun, 19 Feb 2023 12:38:20 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-21 17:50:23.344273
• Title: Deep Selector-JPEG: Adaptive JPEG Image Compression for Computer Vision in Image classification with Human Vision Criteria
• Title（参考訳）: Deep Selector-JPEG:人間の視覚基準を用いた画像分類におけるコンピュータビジョンのための適応JPEG画像圧縮
• Authors: Hossam Amer, Sepideh Shaterian, and En-hui Yang
• Abstract要約: 本稿では,画像分類をターゲットとした適応JPEG圧縮手法であるDeep Selector-HVを提案する。 ディープセレクタ−HVは、圧縮率(CR)と分類器精度(精度性能)との良好なトレードオフを実現するために、画像圧縮のための品質係数(QF)を適応的に選択する。
• 参考スコア（独自算出の注目度）: 8.615661848178183
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With limited storage/bandwidth resources, input images to Computer Vision (CV) applications that use Deep Neural Networks (DNNs) are often encoded with JPEG that is tailored to Human Vision (HV). This paper presents Deep Selector-JPEG, an adaptive JPEG compression method that targets image classification while satisfying HV criteria. For each image, Deep Selector-JPEG selects adaptively a Quality Factor (QF) to compress the image so that a good trade-off between the Compression Ratio (CR) and DNN classifier Accuracy (Rate-Accuracy performance) can be achieved over a set of images for a variety of DNN classifiers while the MS-SSIM of such compressed image is greater than a threshold value predetermined by HV with a high probability. Deep Selector-JPEG is designed via light-weighted or heavy-weighted selector architectures. Experimental results show that in comparison with JPEG at the same CR, Deep Selector-JPEG achieves better Rate-Accuracy performance over the ImageNet validation set for all tested DNN classifiers with gains in classification accuracy between 0.2% and 1% at the same CRs while satisfying HV constraints. Deep Selector-JPEG can also roughly provide the original classification accuracy at higher CRs.
• Abstract（参考訳）: ストレージ/帯域のリソースが限られているため、Deep Neural Networks(DNN)を使用するコンピュータビジョン(CV)アプリケーションへの入力イメージは、ヒューマンビジョン(Human Vision, HV)に合わせてJPEGで符号化されることが多い。 本稿では,HV基準を満たした画像分類をターゲットとした適応JPEG圧縮手法であるDeep Selector-JPEGを提案する。 各画像に対して、Deep Selector-JPEGは、圧縮係数(QF)を選択して圧縮し、圧縮比(CR)とDNN分類器(Rate-Accuracy Performance)との良好なトレードオフが、様々なDNN分類器の一連の画像に対して達成され、その圧縮された画像のMS−SSIMは、高い確率でHVが定める閾値よりも大きい。 Deep Selector-JPEGは軽量または重厚なセレクタアーキテクチャで設計されている。 実験により,同一CRにおけるJPEGと比較して,HV制約を満たすとともに,同一CRにおける分類精度が0.2%から1%に向上する試験DNN分類器に対して,ImageNet検証セットよりも高いレート精度を実現することが示された。 ディープセレクタJPEGは、より高いCRで元の分類精度を提供することもできる。

関連論文リスト

• JPEG Inspired Deep Learning [4.958744940097937]
  精巧なJPEG圧縮は、ディープラーニング(DL)の性能を実際に向上させる トレーニング可能なJPEG圧縮層で基盤となるDNNアーキテクチャをプリペイドする新しいDLフレームワークであるJPEG-DLを提案する。
  論文  参考訳（メタデータ） (2024-10-09T17:23:54Z)
• JDEC: JPEG Decoding via Enhanced Continuous Cosine Coefficients [17.437568540883106]
  本稿では,コサインの連続的定式化による局所的暗黙的ニューラル表現を用いたJPEG画像デコーディングの実践的手法を提案する。 提案するネットワークは,フレキシブルカラー画像JPEGアーティファクト削除タスクにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-04-03T03:28:04Z)
• Learned Lossless Compression for JPEG via Frequency-Domain Prediction [50.20577108662153]
  JPEG画像のロスレス圧縮を学習するための新しいフレームワークを提案する。 周波数領域での学習を可能にするために、DCT係数は暗黙の局所冗長性を利用するためにグループに分割される。 グループ化されたDCT係数のエントロピーモデリングを実現するために、重み付きブロックに基づいてオートエンコーダのようなアーキテクチャを設計する。
  論文  参考訳（メタデータ） (2023-03-05T13:15:28Z)
• Data-Efficient Sequence-Based Visual Place Recognition with Highly Compressed JPEG Images [17.847661026367767]
  視覚的場所認識(VPR)は、ロボットプラットフォームが環境中をローカライズすることを可能にする基本的なタスクである。 JPEGは画像圧縮標準であり、VPRアプリケーションの低データ伝送を容易にするために高い圧縮比を使用することができる。 高レベルのJPEG圧縮を適用すると、画像の明度とサイズが大幅に削減される。
  論文  参考訳（メタデータ） (2023-02-26T13:13:51Z)
• High-Perceptual Quality JPEG Decoding via Posterior Sampling [13.238373528922194]
  JPEGアーチファクト修正のための異なるパラダイムを提案する。 我々は、圧縮された入力と整合しながら、シャープで詳細で視覚的に再構成された画像を得ることを目指している。 我々のソリューションは、完全な整合性のある入力に対して、多種多様な可塑性かつ高速な再構成を提供する。
  論文  参考訳（メタデータ） (2022-11-21T19:47:59Z)
• Neural JPEG: End-to-End Image Compression Leveraging a Standard JPEG Encoder-Decoder [73.48927855855219]
  本稿では,エンコーダとデコーダの両端に内在するニューラル表現を強化することで,符号化性能の向上を図るシステムを提案する。 実験により,提案手法はJPEGに対する速度歪み性能を,様々な品質指標で改善することを示した。
  論文  参考訳（メタデータ） (2022-01-27T20:20:03Z)
• Towards Flexible Blind JPEG Artifacts Removal [73.46374658847675]
  人工物除去と細部保存のトレードオフを制御するために,適応可能な品質因子を予測できるフレキシブルブラインド畳み込みニューラルネットワーク,すなわちFBCNNを提案する。 提案するFBCNNは,定量的な計測値と視覚的品質の両方の観点から,最先端の手法に対して良好な性能を実現する。
  論文  参考訳（メタデータ） (2021-09-29T17:12:10Z)
• Improving Cost Learning for JPEG Steganography by Exploiting JPEG Domain Knowledge [52.880912557105106]
  JEC-RLはJPEG DCT構造をカスタマイズするように設計されている。 強化学習下での埋め込み動作サンプリング機構で動作する。 JPEGイメージの高度な機能ベースと最新のCNNベースのステガナライザーの両方に対して、優れたセキュリティ性能を実現することができる。
  論文  参考訳（メタデータ） (2021-05-09T08:10:41Z)
• Learning to Improve Image Compression without Changing the Standard Decoder [100.32492297717056]
  本稿では,標準デコーダによる符号化性能向上のための学習法を提案する。 具体的には、DCT係数の分布を最適化する周波数領域事前編集法を提案する。 JPEGデコーダは変更しないので、広く使われている標準JPEGデコーダで画像を見る際には、我々のアプローチが適用可能である。
  論文  参考訳（メタデータ） (2020-09-27T19:24:42Z)
• Quantization Guided JPEG Artifact Correction [69.04777875711646]
  我々はJPEGファイル量子化行列を用いたアーティファクト修正のための新しいアーキテクチャを開発した。 これにより、特定の品質設定のためにトレーニングされたモデルに対して、単一のモデルで最先端のパフォーマンスを達成できます。
  論文  参考訳（メタデータ） (2020-04-17T00:10:08Z)

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。