抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
2012年のAlexnet論文によって引用された深い学習革命は,コンピュータビジョンの分野のために変換された。古典的解を用いて厳しく制約された多くの問題は,現在,前例のない成功を見る。深層学習法の急速な増殖は,消費者および組込みアプリケーションにおける使用の急な増加をもたらした。消費者と組込みアプリケーションの1つの結果は,これらの実世界シナリオにおけるデータの効率的な貯蔵と伝送をエンジニアするのに必要な損失のあるマルチメディア圧縮である。このように,より高い圧縮比および増加した視覚品質を可能にするマルチメディア圧縮のための深い学習解法において,興味が増している。マルチメディア圧縮に対する深層学習アプローチ,いわゆる学習マルチメディア圧縮は,符号器と復号器のための深いネットワークを用いた画像またはビデオの圧縮表現の計算を含む。これらの技術は印象的な学術的成功を楽しんでいるが,それらの産業採用は本質的に存在しない。JPEGやMPEGのような古典的圧縮技術は,現代の計算において容易に置き換えられる。この記述は,直交手法を採用し,これらの古典的アルゴリズムの圧縮忠実度を改善するために深層学習を利用する。これにより,古典的方法の遍在を脅かすことなく,マルチメディア圧縮に用いる深い学習における不確かな進歩が可能になった。本研究の重要な洞察は,第1原理,すなわち圧縮アルゴリズムが開発されたときに作られた基礎工学決定が,一般的な方法より効果的であることである。アルゴリズムの設計に事前知識を符号化することによって,柔軟性,性能,および/または精度を普遍性のコストで改善した。【JST・京大機械翻訳】