論文の概要: Generative Adversarial Networks for Spatio-Spectral Compression of
Hyperspectral Images
- arxiv url: http://arxiv.org/abs/2305.08514v1
- Date: Mon, 15 May 2023 10:23:14 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-16 15:02:58.818919
- Title: Generative Adversarial Networks for Spatio-Spectral Compression of
Hyperspectral Images
- Title(参考訳): ハイパースペクトル画像の比スペクトル圧縮のための生成逆ネットワーク
- Authors: Akshara Preethy Byju, Martin Hermann Paul Fuchs, Alisa Walda, Beg\"um
Demir
- Abstract要約: Squeeze と Excitation (SEC) ブロックを用いた HiFiC モデルと 3D を用いた HiFiC モデルを提案する。
チャネルアテンションと依存性間分析による冗長性を利用したHiFiC_SSCSE$とHiFiC$_dist3D$の有効性を解析した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep learning-based image compression methods have led to high
rate-distortion performances compared to traditional codecs. Recently,
Generative Adversarial Networks (GANs)-based compression models, e.g., High
Fidelity Compression (HiFiC), have attracted great attention in the computer
vision community. However, most of these works aim for spatial compression only
and do not consider the spatio-spectral redundancies observed in hyperspectral
images (HSIs). To address this problem, in this paper, we adapt the HiFiC
spatial compression model to perform spatio-spectral compression of HSIs. To
this end, we introduce two new models: i) HiFiC using Squeeze and Excitation
(SE) blocks (denoted as HiFiC$_{SE}$); and ii) HiFiC with 3D convolutions
(denoted as HiFiC$_{3D}$). We analyze the effectiveness of HiFiC$_{SE}$ and
HiFiC$_{3D}$ in exploiting the spatio-spectral redundancies with channel
attention and inter-dependency analysis. Experimental results show the efficacy
of the proposed models in performing spatio-spectral compression and
reconstruction at reduced bitrates and higher reconstruction quality when
compared to JPEG 2000 and the standard HiFiC spatial compression model. The
code of the proposed models is publicly available at
https://git.tu-berlin.de/rsim/HSI-SSC .
- Abstract(参考訳): 深層学習に基づく画像圧縮手法は,従来のコーデックに比べて高速な歪み性能を実現している。
近年、GAN(Generative Adversarial Networks)ベースの圧縮モデル、例えばHiFiC(High Fidelity Compression)がコンピュータビジョンコミュニティで注目を集めている。
しかし,これらの研究の多くは空間圧縮のみを目的としており,高スペクトル像(HSIs)で観察される時空間冗長性は考慮していない。
この問題に対処するため,本稿では空間圧縮モデルを用いてhsisの空間スペクトル圧縮を行う。
この目的のために 2つの新しいモデルを紹介します
i) HiFiC using Squeeze and Excitation (SE) block (denoted as HiFiC$_{SE}$); そして
二 三次元畳み込みを有するHiFiC(HiFiC$_{3D}$と表記する)
チャネルアテンションと依存性間分析によるスペクトル冗長性を利用したHiFiC$_{SE}$とHiFiC$_{3D}$の有効性を解析した。
実験結果から,jpeg 2000や標準hific空間圧縮モデルと比較して,ビットレートの低減と高い再構成品質で空間スペクトル圧縮および再構成を行う際に,提案モデルの有効性が示された。
提案されたモデルのコードはhttps://git.tu-berlin.de/rsim/HSI-SSC で公開されている。
関連論文リスト
- HAC: Hash-grid Assisted Context for 3D Gaussian Splatting Compression [55.6351304553003]
3D Gaussian Splatting (3DGS) は、新しいビュー合成のための有望なフレームワークとして登場した。
高速な3DGS表現のためのHash-grid Assisted Context (HAC) フレームワークを提案する。
私たちの研究は、コンテキストベースの3DGS表現の圧縮を探求するパイオニアです。
論文 参考訳(メタデータ) (2024-03-21T16:28:58Z) - Hybrid Convolutional and Attention Network for Hyperspectral Image Denoising [54.110544509099526]
ハイパースペクトル画像(HSI)は、ハイパースペクトルデータの効果的な解析と解釈に重要である。
ハイブリット・コンボリューション・アテンション・ネットワーク(HCANet)を提案する。
主流HSIデータセットに対する実験結果は,提案したHCANetの合理性と有効性を示している。
論文 参考訳(メタデータ) (2024-03-15T07:18:43Z) - Activations and Gradients Compression for Model-Parallel Training [85.99744701008802]
モデル並列分散トレーニングセットアップにおけるアクティベーションと勾配の同時圧縮が収束に与える影響について検討する。
グラデーションはアクティベーションよりも軽度な圧縮速度を必要とする。
実験では、TopKでトレーニングされたモデルが、推論中に圧縮も適用された場合にのみ正常に動作することが示されている。
論文 参考訳(メタデータ) (2024-01-15T15:54:54Z) - Ultra Dual-Path Compression For Joint Echo Cancellation And Noise
Suppression [38.09558772881095]
固定圧縮比の下では、時間と周波数の両方の手法を組み合わせたデュアルパス圧縮により、さらなる性能向上が期待できる。
提案されたモデルは、高速なFullSubNetやDeepNetFilterと比較して、競争力のある性能を示している。
論文 参考訳(メタデータ) (2023-08-21T21:36:56Z) - Cross Modal Compression: Towards Human-comprehensible Semantic
Compression [73.89616626853913]
クロスモーダル圧縮は、視覚データのためのセマンティック圧縮フレームワークである。
提案したCMCは,超高圧縮比で再現性の向上が期待できることを示す。
論文 参考訳(メタデータ) (2022-09-06T15:31:11Z) - Learned Video Compression via Heterogeneous Deformable Compensation
Network [78.72508633457392]
不安定な圧縮性能の問題に対処するために,不均一変形補償戦略(HDCVC)を用いた学習ビデオ圧縮フレームワークを提案する。
より具体的には、提案アルゴリズムは隣接する2つのフレームから特徴を抽出し、コンテンツ近傍の不均一な変形(HetDeform)カーネルオフセットを推定する。
実験結果から,HDCVCは最近の最先端の学習ビデオ圧縮手法よりも優れた性能を示した。
論文 参考訳(メタデータ) (2022-07-11T02:31:31Z) - Implicit Neural Representation Learning for Hyperspectral Image
Super-Resolution [0.0]
Inlicit Neural Representations (INR)は、新しい効果的な表現として進歩を遂げている。
本稿では、空間座標を対応するスペクトル放射率値にマッピングする連続関数により、HSIを表すINRに基づく新しいHSI再構成モデルを提案する。
論文 参考訳(メタデータ) (2021-12-20T14:07:54Z) - Efficient Data Compression for 3D Sparse TPC via Bicephalous
Convolutional Autoencoder [8.759778406741276]
この研究は、textitBicephalous Convolutional AutoEncoder (BCAE)と呼ばれる、空間と回帰を同時に解決するデュアルヘッドオートエンコーダを導入している。
これはMGARD、SZ、ZFPといった従来のデータ圧縮手法と比較して圧縮忠実度と比の両方の利点を示している。
論文 参考訳(メタデータ) (2021-11-09T21:26:37Z) - Towards Compact CNNs via Collaborative Compression [166.86915086497433]
チャネルプルーニングとテンソル分解を結合してCNNモデルを圧縮する協調圧縮方式を提案する。
52.9%のFLOPを削減し、ResNet-50で48.4%のパラメータを削除しました。
論文 参考訳(メタデータ) (2021-05-24T12:07:38Z) - Feedback Recurrent Autoencoder for Video Compression [14.072596106425072]
低レイテンシモードで動作する学習ビデオ圧縮のための新しいネットワークアーキテクチャを提案する。
提案手法は,高分解能UVGデータセット上でのMS-SSIM/レート性能を示す。
論文 参考訳(メタデータ) (2020-04-09T02:58:07Z)
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。