基于师生增强的端到端人脸深度学习特征压缩
计算机视觉与模式识别
2020-02-11 v1 图像与视频处理
摘要
本文中，我们利用深度神经网络的表征与学习能力，提出了一种新颖的端到端特征压缩方案，面向具备有前景精度与效率的智能前端装备分析。特别地，所提取的特征通过优化率失真代价以端到端方式被紧凑编码，实现特征中的特征表征。为了进一步提升压缩性能，我们提出了一种潜码级师生增强模型，其可将低比特率表征高效地转换为高比特率表征。该策略进一步允许我们将表征代价自适应地转移到解码计算上，从而实现具有增强解码能力的更灵活特征压缩。我们用人脸特征验证了所提模型的有效性，实验结果显示在率-精度方面优于现有模型。
引用
@article{arxiv.2002.03627,
title = {End-to-End Facial Deep Learning Feature Compression with Teacher-Student Enhancement},
author = {Shurun Wang and Wenhan Yang and Shiqi Wang},
journal= {arXiv preprint arXiv:2002.03627},
year = {2020}
}