本文提出了一种基于深度生成模型的视频压缩方法,采用三维自编码器和自回归先验以最小化速率失真损失,实现编码效果优于现有的基于运动补偿或插值的视频压缩网络,并且在设计选择和压缩技术方面进行了系统评估和扩展,包括语义压缩、自适应压缩和多模态压缩,以便在非标准成像传感器捕获的多个模态数据上实现联合压缩。
Aug, 2019
本文提出了一种对抗框架,由 Adversarial Distorter 和 Autoencoder 两个部分组成,利用编码器的隐层特征空间中的扰动提高异常检测中对特征的语义表示,实现了对图像和视频数据集上的异常检测的最新性能的提升。
Jul, 2022
通过长短时记忆网络(LSTM)自动编码器,结合去噪自编码器,可以更高效地实现无监督异常检测。此方法的关键字包括异常检测、时间序列、去噪自编码器、LSTM 自动编码器和无监督学习。
Aug, 2022
无需任何手动注释和先前知识的异常检测和定位是一项具有挑战性的任务,本文提出了一个简单而有效的架构,在异常检测中取得了更准确和鲁棒的定位结果。
May, 2024
研究了一种基于自编码器的图像异常检测方法,发现传统方法在训练时存在离群点时导致异常检测性能降低的问题,使用对抗自编码器引入先验分布可以较好地克服该问题。
Jan, 2019
本文提出了一种基于深度学习的图像压缩架构,利用卷积自编码器的优势达到了更高的编码效率,并利用主成分分析来产生一个更加能量紧凑的表示,实验结果表明,该方法相对于传统的图像编码算法在 Kodak 图像数据库上获得了 13.7%的 BD 速率降低,而且与 JPEG2000 具有类似的复杂度。
Apr, 2018
通过剪枝、量化和深度自编码器压缩方法,本文提出了一种能够在有限时间和内存约束下实现模型大小减小的方法,以便在高度受限的硬件环境中更快速和容易采用的压缩模型,并在多变量异常检测中实现显著的模型压缩比(80% 至 95%)而不显著降低异常检测性能。
Mar, 2024
我们提出了一种有效的方法来检测视频中的异常,该方法利用卷积神经网络的卷积层进行物体识别和识别,其中包括两个主要组件,一个用于空间特征表示,以及一个用于学习空间特征的时间演变。实验结果表明,我们的方法的检测准确性与最先进的方法相当,速度高达 140 帧 / 秒。
Jan, 2017
我们提出了一个神经网络模型,能够在不牺牲重建质量的情况下,显著压缩大规模科学数据,并在公开的科学基准数据集和高分辨率气候模型数据集上进行了测试,达到了 140 的压缩比和可忽略的重建误差。
Jul, 2023
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