基于自注意力机制增强的深度学习图像压缩

被引：3

作者：

展亚南 ^{[1
]}

施晓东 ^{[1
]}

孙镱诚 ^{[1
]}

丁阳 ^{[1
]}

杨万扣 ^{[2
]}

机构：

[1] 中国电子科技集团公司第二十八研究所

[2] 东南大学自动化学院

来源：

控制工程 | 2022年 / 29卷 / 03期

关键词：

图像压缩; 深度学习; 自注意力机制; 端到端; 多层前馈神经网络;

D O I：

10.14107/j.cnki.kzgc.20210542

中图分类号：

TP391.41 []; TP18 [人工智能理论];

学科分类号：

080203 ; 081104 ; 0812 ; 0835 ; 1405 ;

摘要：

提出了一种基于自注意力机制增强的深度学习模型，用于无人机侦察图像的压缩与解压。与现有方法相比，提出的深度学习模型有两个显著特点：其一，模型由四部分组成（编码器、二值化器、量化器和解码器），并且可以通过端到端的优化提高模型的压缩和解压效率；其二，量化器是基于自注意力机制增强的多层前馈神经网络，它能充分利用图像的上下文信息对图像进行压缩。在公开数据集Kodak和Tecnick的实验结果表明，提出模型的压缩率-保真率曲线优于传统的图像压缩标准和现有的深度学习模型。对于常规大小的图像，在保持图像质量MS-SSIM为85%～95%的前提下，图像压缩比BPP能达到7%～15%，并且在普通CPU上其处理速度达0.48秒/张，能显著降低影像的数据大小且不牺牲处理速度。

引用

页码：536 / 541

页数：6

共 13 条

[1] 端到端优化的图像压缩技术进展
刘东
王叶斐
林建平
马海川
杨闰宇
[J]. 计算机科学, 2021, 48 (03) : 1 - 8
[2] 基于稀疏采样的无线多媒体传感网图像压缩算法.[J].郭剑;韩崇;施金宏;薛浩天;孙力娟;.太原理工大学学报.2021, 01
[3] 多尺度显著区域检测图像压缩
曲海成
田小容
刘腊梅
石翠萍
[J]. 中国图象图形学报, 2020, 25 (01) : 31 - 42
[4] 智能决策系统的深度神经网络加速与压缩方法综述
黄迪
刘畅
[J]. 指挥信息系统与技术, 2019, 10 (02) : 8 - 13
[5] 基于模糊C均值聚类的医学图像压缩算法
穆克
李文娜
[J]. 控制工程, 2016, 23 (05) : 706 - 710
[6] An End-to-End Compression Framework Based on Convolutional Neural Networks
Jiang, Feng
Tao, Wen
Liu, Shaohui
Ren, Jie
Guo, Xun
Zhao, Debin
[J]. IEEE TRANSACTIONS ON CIRCUITS AND SYSTEMS FOR VIDEO TECHNOLOGY, 2018, 28 (10) : 3007 - 3018
[7] End-to-end Optimized Image Compression..[J].Johannes Ballé;Valero Laparra;Eero P. Simoncelli.CoRR.2016,
[8] BinaryNet: Training Deep Neural Networks with Weights and Activations Constrained to +1 or -1..[J].Matthieu Courbariaux;Yoshua Bengio.CoRR.2016,
[9] DoReFa-Net: Training Low Bitwidth Convolutional Neural Networks with Low Bitwidth Gradients..[J].Shuchang Zhou;Zekun Ni;Xinyu Zhou;He Wen;Yuxin Wu;Yuheng Zou.CoRR.2016,
[10] Generative Image Modeling Using Spatial LSTMs..[J].Lucas Theis;Matthias Bethge.CoRR.2015,

← 1 2 →