Przegląd nowych metod kompresji obrazu wykorzystujących uczenie maszynowe ze szczególnym uwzględnieniem uczenia głębokiego

• Autorzy: Buczkowski P. , Skarbek W.

Identyfikatory

DOI

10.15199/59.2018.6.60

Warianty tytułu

EN

Review of novel image compression methods based on machine learning and deep learning

• Konferencja: Krajowa Konferencja Radiokomunikacji, Radiofonii i Telewizji (20-22.06.2018 ; Gdańsk, Polska)
• Języki publikacji: PL

Abstrakty

PL

Niniejszy artykuł dotyczy kompresji obrazów rastrowych. Na początku przedstawiona została motywacja istnienia kompresji jak i potrzeb jej dalszego rozwoju. Następnie opisane zostały rodzaje kompresji oraz sposoby pomiaru jej jakości. Ostatnia część artykułu zawiera opis innowacyjnych i obiecujących metod opartych o nowoczesne architektury głębokich sieci neuronowych.

EN

This paper concerns compression of raster graphics. First section justifies need for using compression and need for developing new methods. In the next sections compression taxonomy and metrics are discussed. Last part consists of description of modern and promising methods based on novel deep neural networks.

Słowa kluczowe

PL

grafika rastrowa; kodowanie; kompresja; sztuczna inteligencja; sztuczne sieci neuronowe; uczenie głębokie

EN

artificial neural network; artificial intelligence; compression; deep learning; encoding; raster graphics

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Telekomunikacyjny + Wiadomości Telekomunikacyjne
• Rocznik: 2018
• Tom: nr 6
• Strony: 417--420, CD
• Opis fizyczny: Bibliogr. 18 poz., rys.

Twórcy

autor

Buczkowski P.

• Zakład Telewizji, Instytut Radioelektroniki i Technik Multimedialnych, Politechnika Warszawska, 00-665 Warszawa, Nowowiejska 16/19

autor

Skarbek W.

• Zakład Telewizji, Instytut Radioelektroniki i Technik Multimedialnych, Politechnika Warszawska, 00-665 Warszawa, Nowowiejska 16/19

Bibliografia

• [1] Al-Najjar, Yusra. 2012. “Comparison of Image Quality Assessment: PSNR, HVS, SSIM, UIQI". International Journal of Scientific and Engineering Research. 3 (8).
• [2] Ballé J, Laparra V, Simoncelli E. P. 2017. “End-to-end Optimized Image Compression". Arxiv preprint
• [3] Bengio Y. 2009. "Learning Deep Architectures for AI". Foundations and Trends in Machine Learning
• [4] CISCO. 2017. “Cisco Visual Networking Index: Forecast and Methodology, 2016-2021", white paper.
• [5] Kingma D, Welling M. 2014. “Auto-Encoding Variational Bayes". Arxiv preprint
• [6] Lecun Y, Boser J, Denker D. 1989. "Backpropagation Applied to Handwritten Zip Code Recognition". Neural Computation 1, no. 4 (1989)
• [7] Li M, Gu S, Zhang D. 2018. "Efficient Trimmed Convolutional Arithmetic Encoding for Lossless Image Compression". Arxiv preprint
• [8] Li M, Zuo W, Gu S. 2017. "Learning Convolutional Networks for Content-weighted Image Compression". Arxiv preprint
• [9] McCulloch W, Pitts W. 1943. “A logical calculus of the ideas immanent in nervous activity". Bulletin of Mathematical Biophysics, 5:115-133.
• [10] Minsky Marvin, Papert Seymour. 1969. “Perceptrons". Cambridge, MA: MIT Press.
• [11] Oord A, Kalchbrenner N, Kavukcuoglu K. 2016. “Pixel Recurrent Neural Networks". Arxiv preprint
• [12] Rosenblatt Frank. 1957. “The Perceptron--a perceiving and recognizing automaton". Report 85-460-1, Cornell Aeronautical Laboratory.
• [13] Srivastava Priyanka, Gupta Prateek, Bhardwaj Satyam. 2012. “A modified PSNR metric based on HVS for quality assessment of color images". Proceedings of Communication and Industrial Application (ICCIA), 2011.
• [14] Toderici G, Vincent D, Johnston N. 2017. "Full Resolution Image Compression with Recurrent Neural Networks." 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR)
• [15] Turchenko V, Chalmers E, Luczak A. 2017. “A Deep Convolutional Auto-Encoder with Pooling - Unpooling Layers in Caffe". Arxiv preprint
• [16] Wang Zhou, Bovic Alan, Sheikh Hamid, Simoncelli Eero. 2004. “Image quality assessment: from error visibility to structural similarity". IEEE Transactions on Image Processing, 13 (4).
• [17] Wang Zhou, Simoncelli Eero, Bovik Alan. 2003. “Multiscale structural similarity for image quality assessment", Proceedings of the 37th IEEE Asilomar Conference on Signals, Systems and Computers
• [18] Werbos Paul John. 1975. “Beyond Regression: New Tools for Prediction and Analysis in the Behavioral Sciences". Harvard University.

Uwagi

PL

Opracowanie rekordu w ramach umowy 509/P-DUN/2018 ze środków MNiSW przeznaczonych na działalność upowszechniającą naukę (2018).