通过压缩二进制图学习定位
这篇论文介绍了一种新的混合压缩算法,用于视觉定位,能够在不增加存储要求的情况下获得更完整的场景表示,并且在相同的内存限制下比以前的压缩技术具有更高的姿态准确性。
Jul, 2018
本文研究了使用卷基层神经网络进行相机定位的方法,并应用于地图压缩。在不牺牲重定位性能的前提下,我们使用较小的 CNN 体系结构,引入基于 CNN 的地图压缩的概念。我们在一系列公开可用的数据集上评估了这种方法,并通过增加训练轨迹的数量来提高重定位精度,同时保持 CNN 的固定大小。
Sep, 2017
本文研究图像压缩对图像分类、目标检测及语义分割等三种视觉识别任务准确性的影响。研究采用传统编解码器及最新的神经压缩方法进行实验,探究压缩比从 0.1 到 2bpp 下的识别准确度。实验发现,在强压缩下,三个任务的识别准确度都会受到显著影响。通过在压缩的训练图像上对识别模型进行微调,可以从一定程度上恢复性能损失。
Apr, 2023
基于空间结构和二值图像的模式,本研究提出了一种具有低复杂度和性能保证的无损图像压缩方案,通过学习字典从二值图像中编码,取得了比传统方法、学习方法和专用方案更好的压缩性能。
Jun, 2024
本文提出了一种选择性压缩方法来进行基于深度学习的可变速率图像压缩,该方法通过生成 3D 重要性映射并调整该映射来确定不同目标质量水平的压缩所需的基本表示元素。实验结果表明,该方法可以获得与单独训练的参考压缩模型相当的压缩效率,并可以减少解码时间。
Nov, 2022
本文提出一种基于图像的定位方法,针对图像检索领域的发展,将大量的参考图像整理为一种可以满足导航系统要求的地标集合,并通过网络流问题的框架为紧凑的地图表示和准确的自我定位提供了可行方案。
Dec, 2018
本文提出了一种新的基于图像的城市定位方法,使用图像与 2D 地图之间的语义匹配来表示语义特征,其中的二进制描述符能够更好地适应可变成像条件,而 CNN 分类器则用来检测图像的特征并与地图数据库中的信息进行匹配,这种方法相对于传统的图像数据库匹配更具有可扩展性和人机交互性.
Mar, 2018
通过压缩模型来解决预测问题和训练大型语言模型的相关研究,大型语言模型展现出强大的预测和压缩能力,此视角为规模定律、分词和上下文学习提供了新的观点,并且可以使用任何压缩器构建条件生成模型。
Sep, 2023
我们对嵌入向量的压缩进行了全面的比较分析和实验评估,引入了一个新的分类法,并开发了一个模块化基准测试框架,评估了 14 种代表性方法,从而为不同内存预算下的使用情形推荐了最佳方法。此外,我们的研究还揭示了当前方法的局限性,并提出了未来研究的潜在方向。
Nov, 2023