图像压缩算法是图像处理领域中媒体传输和压缩的基础。在其诞生的几十年后,诸如JPEG图像编解码器等算法仍然是行业标准。在压缩领域,一个值得注意的研究课题是深度学习(DL)。本文探讨了理想图像压缩和物体检测(OD)应用的DL模型的优化。

要优化的DL模型是基于一个现有的压缩框架,即CONNECT模型。这个框架将传统的JPEG图像编解码器包裹在两个卷积神经网络(CNNs)中。第一个网络,ComCNN,专注于将输入的图像压缩成一个紧凑的表示,以输入到图像编解码器。第二个网络,RecCNN,着重于从编解码器中重建输出图像,使之与原始图像尽可能相似。为了提高CONNECT模型的性能,一个名为Optuna的优化软件包裹了该框架。从每个CNN中选择超参数,由Optuna进行评估和优化。一旦CONNECT模型产生了理想的结果,输出的图像就被应用于YOLOv5 OD网络。

本文探讨了DL超参数对图像质量和压缩指标的影响。此外,检测网络将为图像压缩对计算机视觉应用的影响提供背景。

成为VIP会员查看完整内容
22

相关内容

人工智能在军事中可用于多项任务,例如目标识别、大数据处理、作战系统、网络安全、后勤运输、战争医疗、威胁和安全监测以及战斗模拟和训练。
【UFPE大学博士论文】基于熵损失的鲁棒深度学习
专知会员服务
41+阅读 · 2022年11月11日
【CVPR 2020-商汤】8比特数值也能训练卷积神经网络模型
专知会员服务
25+阅读 · 2020年5月7日
深度学习与计算机视觉任务应用综述
深度学习与NLP
50+阅读 · 2018年12月18日
概览CVPR 2018神经网络图像压缩领域进展
论智
13+阅读 · 2018年6月13日
基于GAN的极限图像压缩框架
论智
11+阅读 · 2018年4月15日
国家自然科学基金
2+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
3+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Arxiv
0+阅读 · 2022年12月28日
Arxiv
0+阅读 · 2022年12月27日
Arxiv
68+阅读 · 2022年9月7日
Arxiv
12+阅读 · 2021年7月26日
Arxiv
19+阅读 · 2021年1月14日
Arxiv
10+阅读 · 2018年2月17日
VIP会员
相关基金
国家自然科学基金
2+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
3+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
相关论文
微信扫码咨询专知VIP会员