基于行注意力的星载高光谱图像深度无损与近无损预测编码
图像与视频处理
2024-03-27 v1 人工智能
摘要
深度学习传统上难以应用于航天器星载高光谱图像压缩，因为需要大量计算复杂度才能获得足够的表示能力，并且缺乏适合训练和测试的数据集。本文摒弃传统的自编码器方法，设计了一种名为LineRWKV的预测神经网络，该网络逐行递归工作以限制内存消耗。为此，我们采用了一种新颖的混合注意力-递归操作，结合了Transformer的表示优势与递归神经网络的线性复杂度和递归实现。压缩算法使用LineRWKV对每个像素进行预测，然后对残差进行熵编码。在HySpecNet-11k数据集和PRISMA图像上的实验表明，LineRWKV是第一个在无损和近无损压缩方面优于CCSDS-123.0-B-2的深度学习方法。还在一个7W嵌入式系统上评估了有前景的吞吐量结果。
引用
@article{arxiv.2403.17677,
title = {Onboard deep lossless and near-lossless predictive coding of hyperspectral images with line-based attention},
author = {Diego Valsesia and Tiziano Bianchi and Enrico Magli},
journal= {arXiv preprint arXiv:2403.17677},
year = {2024}
}