ترجمه فارسی مقاله DeepHQ: کوانتایزر سلسله مراتبی آموخته شده برای کدگذاری تصویر عمیق پیشرونده

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 DeepHQ: Learned Hierarchical Quantizer for Progressive Deep Image Coding
عنوان مقاله به فارسی DeepHQ: کوانتایزر سلسله مراتبی آموخته شده برای کدگذاری تصویر عمیق پیشرونده
نویسندگان Jooyoung Lee, Se Yoon Jeong, Munchurl Kim
فرمت مقاله انگلیسی PDF
تعداد صفحات 15
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Image and Video Processing,Artificial Intelligence,Machine Learning,پردازش تصویر و فیلم , هوش مصنوعی , یادگیری ماشین ,
توضیحات Submitted 22 August, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده در 22 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 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

Unlike fixed- or variable-rate image coding, progressive image coding (PIC) aims to compress various qualities of images into a single bitstream, increasing the versatility of bitstream utilization and providing high compression efficiency compared to simulcast compression. Research on neural network (NN)-based PIC is in its early stages, mainly focusing on applying varying quantization step sizes to the transformed latent representations in a hierarchical manner. These approaches are designed to compress only the progressively added information as the quality improves, considering that a wider quantization interval for lower-quality compression includes multiple narrower sub-intervals for higher-quality compression. However, the existing methods are based on handcrafted quantization hierarchies, resulting in sub-optimal compression efficiency. In this paper, we propose an NN-based progressive coding method that firstly utilizes learned quantization step sizes via learning for each quantization layer. We also incorporate selective compression with which only the essential representation components are compressed for each quantization layer. We demonstrate that our method achieves significantly higher coding efficiency than the existing approaches with decreased decoding time and reduced model size.

چکیده به فارسی (ترجمه ماشینی)

بر خلاف کدگذاری تصویر با نرخ ثابت یا متغیر ، کدگذاری تصویر مترقی (PIC) با هدف فشرده سازی ویژگی های مختلف تصاویر به یک بیت استریت واحد ، افزایش تطبیق پذیری استفاده از بیت استریم و ارائه راندمان فشرده سازی بالا در مقایسه با فشرده سازی شبیه سازی.تحقیقات در مورد PIC مبتنی بر شبکه عصبی (NN) در مراحل اولیه خود انجام می شود ، که عمدتاً بر استفاده از اندازه های مختلف مرحله کمیت در بازنمودهای نهفته تبدیل شده به صورت سلسله مراتبی متمرکز است.این رویکردها برای فشرده سازی فقط اطلاعات به تدریج اضافه شده با کیفیت طراحی شده اند ، با توجه به اینکه یک فاصله کمیت گسترده تر برای فشرده سازی با کیفیت پایین شامل زیرزمینی های باریک تر برای فشرده سازی با کیفیت بالاتر است.با این حال ، روشهای موجود مبتنی بر سلسله مراتب کمیت دست ساز است و در نتیجه راندمان فشرده سازی بهینه بهینه می شود.در این مقاله ، ما یک روش کدگذاری مترقی مبتنی بر NN را پیشنهاد می کنیم که در ابتدا از اندازه های مرحله کمیت آموخته شده از طریق یادگیری برای هر لایه کمیت استفاده می کند.ما همچنین فشرده سازی انتخابی را در بر می گیریم که فقط اجزای نمایندگی اساسی برای هر لایه کمیت فشرده می شوند.ما نشان می دهیم که روش ما با کاهش زمان رمزگشایی و کاهش اندازه مدل ، به راندمان کدگذاری قابل توجهی بالاتر از رویکردهای موجود دست می یابد.

📚 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.