文献

J-GLOBAL ID：202002290364201545   整理番号：20A0286619

深層学習に基づく画像圧縮処理法【JST・京大機械翻訳】

An Image Compression Processing Method Based On Deep Learning

著者 (3件)： Ruihua Liu (National Key Laboratory of Science and Technology on Space Microwave, CAST, Xi’an,Xi’an,China) ,  Quan Zhou (National Key Laboratory of Science and Technology on Space Microwave, CAST, Xi’an,Xi’an,China) ,  Huachao Xiao (National Key Laboratory of Science and Technology on Space Microwave, CAST, Xi’an,Xi’an,China)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2019  号： ICICSP  ページ： 342-346  発行年： 2019年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 近年,ニューラルネットワークと深い学習の組合せにより,画像圧縮,認識および他の分野において優れた成果が得られている。しかし,本研究では,与えられた生成的対数ネットワーク(GAN)圧縮モデルを用いるとき,カラー画像圧縮性能が灰色画像よりも優れていることを見出した。灰色画像の圧縮効果を改善するために,本論文では後処理法を提案した。主なアイデアは,圧縮モデルにより生成された画像の各成分を処理し,生成画像に及ぼす訓練パラメータの異なる重みの影響を低減することである。この方法を2つの事例に分割した。1つは成分係数の等しい重み処理であり,それは生成した成分係数がすべて1/3であることを意味した。画像のピーク信号対雑音比(PSNR)は0.10~0.41dBの範囲内で改善でき,平均は0.21dB改善できる。もう一つは成分係数の不均等な重み処理である。データフィッティングの後に,成分係数がそれぞれ0.08,0.49,および0.35であるとき,PSNRは0.15~1.1dBの範囲内で増加し,平均は0.55dB増加できると結論づけられる。したがって,この方法は灰色画像の圧縮品質を効果的に改善できる。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 後処理 ,  品質 ,  ネットワーク ,  ニューラルネットワーク ,  *画像圧縮 ,  対数 ,  カラー画像
準シソーラス用語： ピーク信号対雑音比 ,  合成画像 ,  *深層学習 , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (3件)： 深層学習 ,  画像圧縮 ,  処理法