論文の概要: A Rate-Distortion-Classification Approach for Lossy Image Compression

• arxiv url: http://arxiv.org/abs/2405.03500v1
• Date: Mon, 6 May 2024 14:11:36 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-07 13:26:55.528905
• Title: A Rate-Distortion-Classification Approach for Lossy Image Compression
• Title（参考訳）: 損失画像圧縮のための速度歪み分類手法
• Authors: Yuefeng Zhang,
• Abstract要約: 損失画像圧縮では、画像を特定のビットレートに圧縮しながら、最小限の信号歪みを実現する。 画像圧縮と視覚解析のギャップを埋めるために、損失画像圧縮のためのRDCモデルを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In lossy image compression, the objective is to achieve minimal signal distortion while compressing images to a specified bit rate. The increasing demand for visual analysis applications, particularly in classification tasks, has emphasized the significance of considering semantic distortion in compressed images. To bridge the gap between image compression and visual analysis, we propose a Rate-Distortion-Classification (RDC) model for lossy image compression, offering a unified framework to optimize the trade-off between rate, distortion, and classification accuracy. The RDC model is extensively analyzed both statistically on a multi-distribution source and experimentally on the widely used MNIST dataset. The findings reveal that the RDC model exhibits desirable properties, including monotonic non-increasing and convex functions, under certain conditions. This work provides insights into the development of human-machine friendly compression methods and Video Coding for Machine (VCM) approaches, paving the way for end-to-end image compression techniques in real-world applications.
• Abstract（参考訳）: 損失画像圧縮では、画像を特定のビットレートに圧縮しながら、最小限の信号歪みを実現する。 視覚解析アプリケーション、特に分類タスクの需要が高まっているため、圧縮画像における意味的歪みを考慮することの重要性が強調されている。 画像圧縮と視覚解析のギャップを埋めるために、画像圧縮の損失を解消するRDCモデルを提案し、レート、歪み、分類精度のトレードオフを最適化するための統一的なフレームワークを提供する。 RDCモデルは、マルチディストリビューションソースで統計的に、また、広く使われているMNISTデータセットで実験的に解析される。 その結果, ある条件下では, RDCモデルは単調な非増加関数や凸関数を含む望ましい特性を示すことが明らかとなった。 この研究は、人間のマシンフレンドリーな圧縮手法とビデオ符号化・フォー・マシン(VCM)アプローチの開発に関する洞察を与え、現実世界のアプリケーションにおけるエンドツーエンドの画像圧縮技術への道を開いた。

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)
• End-to-End Optimized Image Compression with the Frequency-Oriented Transform [8.27145506280741]
  本稿では,周波数指向変換により最適化された画像圧縮モデルを提案する。 このモデルは任意の周波数成分を選択的に伝送することでスケーラブルな符号化を可能にする。 次世代標準H.266/VVCを含む従来のコーデックをMS-SSIMで比較した。
  論文  参考訳（メタデータ） (2024-01-16T08:16:10Z)
• Transferable Learned Image Compression-Resistant Adversarial Perturbations [69.79762292033553]
  敵対的攻撃は容易に画像分類システムを破壊し、DNNベースの認識タスクの脆弱性を明らかにする。 我々は、学習した画像圧縮機を前処理モジュールとして利用する画像分類モデルをターゲットにした新しいパイプラインを提案する。
  論文  参考訳（メタデータ） (2024-01-06T03:03:28Z)
• Progressive Learning with Visual Prompt Tuning for Variable-Rate Image Compression [60.689646881479064]
  本稿では,変圧器を用いた可変レート画像圧縮のためのプログレッシブラーニングパラダイムを提案する。 視覚的プロンプトチューニングにインスパイアされた私たちは,エンコーダ側とデコーダ側でそれぞれ入力画像と隠蔽特徴のプロンプトを抽出するためにLPMを使用する。 提案モデルでは, 速度歪み特性の観点から現行の可変画像法よりも優れ, スクラッチから訓練した最先端の固定画像圧縮法にアプローチする。
  論文  参考訳（メタデータ） (2023-11-23T08:29:32Z)
• 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)
• Estimating the Resize Parameter in End-to-end Learned Image Compression [50.20567320015102]
  本稿では,最近の画像圧縮モデルの速度歪みトレードオフをさらに改善する検索自由化フレームワークについて述べる。 提案手法により,Bjontegaard-Deltaレート(BD-rate)を最大10%向上させることができる。
  論文  参考訳（メタデータ） (2022-04-26T01:35:02Z)
• 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)
• Substitutional Neural Image Compression [48.20906717052056]
  置換型ニューラルイメージ圧縮(snic)は、あらゆるニューラルイメージ圧縮モデルを強化する一般的なアプローチである。 フレキシブルな歪みメトリックに向けて圧縮性能を高め、単一のモデルインスタンスを使用したビットレート制御を可能にする。
  論文  参考訳（メタデータ） (2021-05-16T20:53:31Z)
• Improving Inference for Neural Image Compression [31.999462074510305]
  State-of-the-art method build on Hierarchical variational autoencoders to predict a compressible latent representation of each data point。 従来の手法では性能を制限した3つの近似ギャップを同定する。 本稿では,これら3つの制約のそれぞれについて,反復的推論に関する考え方に基づく対策を提案する。
  論文  参考訳（メタデータ） (2020-06-07T19:26:37Z)
• Saliency Driven Perceptual Image Compression [6.201592931432016]
  画像圧縮技術の性能評価にはMS-SSIMやPSNRなどの評価指標が不十分であることを示す。 画像圧縮に特有な知覚的類似性データに基づいて学習する新しい指標を提案する。 このモデルは視覚的に優れた画像を生成するだけでなく、その後のコンピュータビジョンタスクに優れた性能を与える。
  論文  参考訳（メタデータ） (2020-02-12T13:43:17Z)

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。