ترجمه فارسی مقاله ترانسفورماتور دوسطحی فضایی و آگاه از کانال برای فشرده‌سازی تصویر آموخته‌شده

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Bi-Level Spatial and Channel-aware Transformer for Learned Image Compression
عنوان مقاله به فارسی ترانسفورماتور دوسطحی فضایی و آگاه از کانال برای فشرده‌سازی تصویر آموخته‌شده
نویسندگان Hamidreza Soltani, Erfan Ghasemi
فرمت مقاله انگلیسی PDF
تعداد صفحات 7
دسته بندی موضوعات Computer Vision and Pattern Recognition,Information Theory,Machine Learning,چشم انداز رایانه و تشخیص الگوی , تئوری اطلاعات , یادگیری ماشین ,
توضیحات Submitted 7 August, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده در 7 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.

قیمت: 19,000 تومان

سفارش

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، را نیز سفارش می‌دهید.

قیمت: 280,000 تومان

زمان تحویل: 2 تا 3 روز کاری


📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Recent advancements in learned image compression (LIC) methods have demonstrated superior performance over traditional hand-crafted codecs. These learning-based methods often employ convolutional neural networks (CNNs) or Transformer-based architectures. However, these nonlinear approaches frequently overlook the frequency characteristics of images, which limits their compression efficiency. To address this issue, we propose a novel Transformer-based image compression method that enhances the transformation stage by considering frequency components within the feature map. Our method integrates a novel Hybrid Spatial-Channel Attention Transformer Block (HSCATB), where a spatial-based branch independently handles high and low frequencies at the attention layer, and a Channel-aware Self-Attention (CaSA) module captures information across channels, significantly improving compression performance. Additionally, we introduce a Mixed Local-Global Feed Forward Network (MLGFFN) within the Transformer block to enhance the extraction of diverse and rich information, which is crucial for effective compression. These innovations collectively improve the transformation's ability to project data into a more decorrelated latent space, thereby boosting overall compression efficiency. Experimental results demonstrate that our framework surpasses state-of-the-art LIC methods in rate-distortion performance.

چکیده به فارسی (ترجمه ماشینی)

پیشرفت های اخیر در روش های فشرده سازی تصویر آموخته شده (LIC) عملکرد برتر را نسبت به کدک های سنتی دست ساز نشان داده است.این روشهای مبتنی بر یادگیری اغلب از شبکه های عصبی حلقوی (CNN) یا معماری های مبتنی بر ترانسفورماتور استفاده می کنند.با این حال ، این رویکردهای غیرخطی غالباً از ویژگی های فرکانس تصاویر غافل می شوند ، که باعث می شود راندمان فشرده سازی آنها محدود شود.برای پرداختن به این مسئله ، ما یک روش فشرده سازی تصویر مبتنی بر ترانسفورماتور را پیشنهاد می کنیم که با در نظر گرفتن اجزای فرکانس در نقشه ویژگی ، مرحله تحول را تقویت می کند.روش ما یک بلوک ترانسفورماتور توجه کانال مکانی جدید هیبریدی (HSCATB) را ادغام می کند ، جایی که یک شاخه مبتنی بر مکانی به طور مستقل از فرکانس های بالا و پایین در لایه توجه برخوردار است ، و ماژول خود با توجه به کانال (CASA) اطلاعات را در سراسر کانال ها ضبط می کند.به طور قابل توجهی عملکرد فشرده سازی را بهبود می بخشد.علاوه بر این ، ما یک شبکه رو به جلو Global Feed Global (MLGFFN) را در بلوک ترانسفورماتور معرفی می کنیم تا استخراج اطلاعات متنوع و غنی را تقویت کنیم ، که برای فشرده سازی مؤثر بسیار مهم است.این نوآوری ها به طور جمعی توانایی تحول را در طراحی داده ها به یک فضای نهفته دفع شده تر بهبود می بخشد و از این طریق باعث افزایش کارایی فشرده سازی کلی می شود.نتایج تجربی نشان می دهد که چارچوب ما از روشهای پیشرفته LIC در عملکرد تحریف نرخ فراتر می رود.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.