Oct, 2023

基于深度学习的压缩域多媒体研究：从分类学到点云分类的应用

PDF
TL;DR该论文提出了一种基于压缩域计算机视觉处理器的压缩领域计算机视觉解决方案的设计分类方法，以 JPEG Pleno Point Cloud Coding 标准为基础设计压缩域点云分类处理器，并通过实验结果展示了该方法在点云分类任务上的性能优势。
deep learningcompressed representationmultimedia applicationscomputer visionpoint cloud classification
发现论文，激发创造
  • 基于压缩域的深度神经网络可视识别技术与特征适应

    本文提出一种基于学习的压缩域分类框架，可以在不同比特率下利用压缩域潜在表示执行视觉识别，包括引入轻量级注意模型的新型特征适应模块，它可以自适应地强调和增强提取的逐通道信息的关键特征；还介绍了一种适配训练策略，使用预训练的像素域权重。与使用像素域完全解码的压缩图像以及未压缩图像相比，研究结果表明，提出的压缩域分类模型不仅可以显著优于现有的压缩域分类模型，而且在计算效率方面也可以获得与使用完全解码图像的像素域模型相似的精确度结果。

    May, 2023

  • 学习的点云压缩用于分类

    基于 PointNet 的新型点云编解码器，在机器任务分类中实现了更好的速率 - 准确性平衡，相对于非专用编解码器在 ModelNet40 数据集上达到了 94% 的降低 BD 比特率。对于低资源终端设备，我们提出了两种轻量级编码器配置，在 BD 比特率降低 93% 和 92% 的同时，仅消耗了 0.470 和 0.048 的编码器端 kMACs / 点，并降低了 3% 和 5% 的 top-1 准确率，为今后更复杂的任务和数据集提供了专用编解码器的潜力和基础。

    Aug, 2023

  • 基于机器感知的图像压缩：分层生成方法

    本文介绍了一种层次生成式图像压缩模型，该模型支持多任务分析，通过学习感知图像压缩方法提供可压缩的紧凑表示，并实现高分辨率图像重建以及压缩率和感知性能的平衡。实验结果表明，该模型对于 RGB 基于方法可以降低 99.6% 的比特率并实现可比拟的分析结果。

    Apr, 2023

  • 可扩展的人机点云压缩

    我们提出了一种专门为机器任务而设计的可扩展点云数据编解码器，基于 PointNet++ 的架构，并在 ModelNet40 数据集上进行了测试，显示了与之前的非专用编解码器相比显著的改进。

    Feb, 2024

  • 机器视觉引导的云端三维医学图像压缩，实现高效传输和准确分割

    本研究提出了一种基于深度学习的医学图像自动分割算法，通过专为分割设计的机器视觉态度的 3D 图像压缩框架，在保证分割精度的同时，显著提高了压缩比率。

    Apr, 2019

  • 面向机器感知的点云压缩：通过学习八叉树深度级别预测器的简单而强大的基准线

    提出了一种点云压缩框架，可以同时处理人类视觉和机器视觉任务，并通过使用自适应的八叉树深度级别预测器来控制位速，以提高机器视觉任务的性能，而不影响人类视觉质量。

    Jun, 2024

  • 基于几何先验的深度人体点云几何压缩

    本文提出了一种基于人体几何先验知识的点云压缩框架，通过减少几何冗余以及提供拓扑学约束，实现了对高分辨率的人体点云数据的压缩，该方法在不降低数据质量的情况下，显著提高了压缩性能。

    May, 2023

  • 模拟原始域：在压缩领域中加速动作识别

    本文提出了一种基于压缩视频领域的新方法，旨在通过利用运动向量和残差来加速计算并减少网络参数，在三个常用数据集上实验表明该模型不仅能够保持较高的准确率还具备更高的识别效率。

    Nov, 2019

  • 基于循环神经网络和图像压缩方法的 3D 点云压缩

    我们提出了一种新的无损校准的 3D 至 2D 转换方法，使压缩算法能够高效利用二维表示中的空间相关性，通过常见的图像压缩方法和利用递归神经网络的自监督深度压缩方法对结构化表示进行压缩，还对 LiDAR 的强度测量值进行密集二维表示，并提出了一种评估压缩性能的新指标。与基于通用八叉树点云压缩或基于原始点云数据压缩的方法相比，我们的方法在定量和视觉性能上取得了最佳效果。

    Feb, 2024

  • 基于组合语义混合的点云分割领域自适应

    通过语义和几何样本混合，该研究介绍了一种基于点云的无监督领域自适应技术，并采用合成到真实和真实到真实的情境，利用 LiDAR 数据集验证其在无监督和半监督设置中明显优于现有方法的性能。

    Aug, 2023