JPEG 启发的深度学习
计算机视觉与模式识别
2025-03-24 v3
摘要
尽管传统上认为有损图像压缩（如 JPEG 压缩）会对深度神经网络（DNN）的性能产生负面影响，但近期的研究表明，经过精心设计的 JPEG 压缩实际上可以提高深度学习（DL）的性能。基于此，我们提出了 JPEG-DL，这是一个新的深度学习框架，它在任何底层 DNN 架构之前添加一个可训练的 JPEG 压缩层。为使 JPEG 压缩中的量化操作可训练，我们在 JPEG 层采用一种新的可微软量化器，然后联合训练量化操作和底层 DNN。大量实验表明，与标准深度学习相比，JPEG-DL 在各种数据集和模型架构上都能实现显著的精度提升，同时增强了对对抗性攻击的鲁棒性。特别是在一些细粒度图像分类数据集上，JPEG-DL 可将预测精度提高高达 20.9%。我们的代码已公开于 https://github.com/AhmedHussKhalifa/JPEG-Inspired-DL.git。
引用
@article{arxiv.2410.07081,
title = {JPEG Inspired Deep Learning},
author = {Ahmed H. Salamah and Kaixiang Zheng and Yiwen Liu and En-Hui Yang},
journal= {arXiv preprint arXiv:2410.07081},
year = {2025}
}