DeepN-JPEG：一种深度神经网络友好的基于 JPEG 的图像压缩框架
计算机视觉与模式识别
2018-03-16 v1 图形学
性能
摘要
作为最引人注目的机器学习技术之一，深度神经网络 (DNN) 在图像分类等各种智能任务中展现出了卓越的性能。DNN 在很大程度上是通过对海量训练数据进行昂贵的训练来实现这种性能的。为了减少智能资源受限的物联网 (IoT) 系统中的数据存储和传输开销，在传输实时生成的数据集以进行训练或分类之前，有效的数据压缩是一个“必备”特性。尽管已有许多著名的图像压缩方法（如 JPEG），但我们首次发现，基于人类视觉的图像压缩方法（如 JPEG 压缩）对于 DNN 系统而言并非优化解决方案，尤其是在高压缩率下。为此，我们开发了一个为 DNN 应用量身定制的图像压缩框架，名为“DeepN-JPEG”，以契合 DNN 架构的深度级联信息处理机制的本质。基于“ImageNet”数据集和各种最先进 DNN 的大量实验表明，“DeepN-JPEG”在保持相同图像识别准确率水平的同时，能够实现比流行的 JPEG 解决方案高约 3.5 倍的压缩率，展现了其在基于 DNN 的智能 IoT 系统设计中巨大的存储和能效潜力。
引用
@article{arxiv.1803.05788,
title = {DeepN-JPEG: A Deep Neural Network Favorable JPEG-based Image Compression Framework},
author = {Zihao Liu and Tao Liu and Wujie Wen and Lei Jiang and Jie Xu and Yanzhi Wang and Gang Quan},
journal= {arXiv preprint arXiv:1803.05788},
year = {2018}
}
备注
55th Design Automation Conference (DAC2018)