May, 2022

压缩爆照：有损图像压缩对红外图像中可变尺寸物体检测的影响

PDF
TL;DR研究应用不同级别的 JPEG 压缩方法对红外波段图像进行无损压缩，并评估不同级别压缩对于三种深度学习 CNN 架构（Cascade-RCNN、FSAF 和 Deformable DETR）在不同尺寸目标检测中的影响，结果表明对于 tiny 和 small 的目标尺寸更为敏感，使用 Cascade R-CNN 模型处理未压缩数据得到的表现最优，最大平均精确度（mAP）为 0.823，在高压缩级别下使用压缩数据重新训练模型能够显著提高模型性能。
lossy image compressioncnn architectureobject detectionjpeg compressionthermal imagery
发现论文，激发创造
  • 视觉识别模型对图像压缩是否具有鲁棒性？

    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

  • 有损压缩用于无损预测

    本文利用无监督目标设计神经压缩器进行图像压缩，以满足具有数据增强特征的所有预测任务的高性能，实现了大幅度节省数据率的效果，同时不会降低下游分类性能。

    Jun, 2021

  • 深度学习中 JPEG 压缩缺陷的分析和缓解

    本文研究了 JPEG 压缩对常见计算机视觉任务和数据集的影响，发现高度压缩会显著损害图像识别性能，进而尝试采取几种方法来缓解该损害，其中包括一种不需标签训练的基于伪影校正的新方法。

    Nov, 2020

  • 使用深度卷积网络的语义感知图像压缩

    应用深度学习的方法解决在损失图像和视频压缩中提高视觉质量的问题，通过训练一个特定的卷积神经网络，实现对图像语义的理解，并通过对每个对象训练特征的方式生成高质量的压缩图像。

    Dec, 2016

  • 压缩 JPEG 图像中的快速目标检测

    该论文介绍了一种基于 JPEG 压缩格式中的 DCT 系数处理的对象检测快速深层网络，以代替一些应用中需要耗时的图像解压缩操作，实验结果显示该模型比常规 SSD 快 2 倍且具有良好的检测性能。

    Apr, 2019

  • 深度特征压缩用于协同目标检测

    本论文探讨了在移动设备和云端之间进行特征数据通讯的 “协作智能” 范式，研究了损失压缩特征数据对协作物体检测准确性的影响，并提出了一种策略来提高其在损失特征压缩下的准确性。实验结果表明，采用该策略，通信开销可以降低 70％而不会牺牲准确性。

    Feb, 2018

  • 变长损失高密度压缩乳腺 X 线图像的全卷积模型

    使用全卷积自编码器结合算术编码实现医学影像的有损压缩，并在公开数据集上进行性能测试，最高压缩比可达 300 倍。

    May, 2018

  • CAS-CNN：一种深度卷积神经网络用于图像压缩伪影抑制

    本研究提出了一种新型的 12 层深度卷积神经网络，用于图像压缩伪影抑制，其具有分层跳过连接和多尺度损失函数。相较于普通的 JPEG，可提高高达 1.79 dB 的峰值信噪比，并且相较于先前最佳 ConvNet 结果提高高达 0.36 dB。该研究表明，训练用于特定质量因子 (QF) 的网络对于压缩输入图像所使用的 QF 是有韧性的，单个针对 QF 60 训练的网络在多种 QF 范围内 (40 至 76) 提供超过 1.5 dB 的 PSNR 增益。

    Nov, 2016

  • 机器感知质量：评估严重有损压缩对音频和图像模型的影响

    神经数据压缩中，以机器为导向的压缩方式对于机器感知任务具有可行性，并且与深度相似度度量相关，在机器感知质量的发展中扮演重要角色。

    Jan, 2024

  • 基于学习的有损图像压缩：综合调研

    本论文介绍了近年来利用机器学习架构进行图像压缩的技术与方法，主要包括自编码器、卷积神经网络、生成对抗网络等，并探讨了该领域仍需解决的问题。

    Jan, 2022