小说网站排名人气,深圳市住房和城乡建设厅网站首页,中装建设,wordpress 添加媒体TIP 2024
贡献
1.首个提出面向显著性分割的深度图像压缩模型#xff1a;通过比特分配方式控制局部失真#xff0c;保留下游显著性目标检测所需关键信息#xff0c;提升率-精度#xff08;R-A#xff09;性能。
2.适配下游网络的训练策略#xff1a;能兼容各类下游SOD网…
TIP 2024
贡献
1.首个提出面向显著性分割的深度图像压缩模型通过比特分配方式控制局部失真保留下游显著性目标检测所需关键信息提升率-精度R-A性能。
2.适配下游网络的训练策略能兼容各类下游SOD网络的训练策略训练阶段无需辅助针对两种重建质量等级训练压缩模型。
3.自适应比特分配机制依据显著性概率分布反映像素重要性经升余弦滚降ACRD生成逐像素权重引导比特分配。
4.实验大量实验证明该方法在十个下游显著性分割网络上实现最优R-A性能相较现有先进深度图像压缩模型平均节省10.34%比特率充分验证方法有效性与优越性。
Pipeline Saliency Oriented Bit Allocation Model 高维空间中的显著性分割边界更靠近超平面的点颜色更深、尺寸更大的点对失真更敏感压缩后易跨越超平面需分配更多比特保障重建质量远离超平面的点对失真更鲁棒可少分配比特节省码率。
用显着性网络φ为每个像素计算特征空间中离超平面的距离。
若w为负(蓝色)即认为在非ROI区域若为正(红色)则为ROI区域。
归一化并对齐尺寸到特征图。 wnorm通过函数ACRD函数生成比特分配图W。
接近0.5的值可以在ACRD函数后获得更大的位分配权重相当于靠近超平面φ的那些较暗点。
超参数α控制“过渡带宽”α越小过渡越陡峭对超平面附近点的比特分配更聚焦。 比特分配图W扩展为掩码M与编码器提取的特征y尺寸匹配。基础层全为1增强层由W的值四舍五入。
Double-Scale Entropy Module
编码器ga对输入图像计算潜在特征
然后对于特征y分配成两部分基础特征和增强特征。 掩码M进行特征过滤对基础层无影响增强层有变化。
用两种不同的熵编码器分别计算bpp和熵编码特征。
再拼接起来进行解码。
Training Procedure 训练时不用显著性模型让压缩模型对各类显著性分割网络具备通用性不绑定特定分割模型。
双质量重建训练网络学习两种质量等级的图像重建fe和fe0模拟推理时增强通道按需保留的逻辑实现局部失真控制重要像素用更多增强通道保障重建质量非重要像素用基础通道节省码率。
得到两种尺度的latent特征。
并进行解码得到两种重建结果。 用双尺度R-D loss端到端训练整个压缩网络。 实验
对显著性分割数据集进行压缩解压然后在解码图像上进行显著性分割测评。 在F1-Score和Sm评估下基本都优于其他压缩方法。 可视化结果红蓝绿分别表示最好的三个结果。 编码时间很快比他快的效果没他好。 不同数据集使用压缩解压方法之后使用显著性分割方法进行分割提出的方法在多个数据集多种分割方法上都能达到不错的效果。 使用sigmoid替换ACRD的消融实验。 编码时间对比。
