Image Coding Using Asymmetric Learned Processing Structures

Bibliographic Details
Main Author: Marques, Alexandre Paulo
Publication Date: 2024
Format: Master thesis
Language: eng
Source: Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)
Download full: https://hdl.handle.net/10316/118134
Summary: Dissertação de Mestrado em Engenharia Eletrotécnica e de Computadores apresentada à Faculdade de Ciências e Tecnologia
id RCAP_326bb6caaddb57768ec3fe86ff8e6a3e
oai_identifier_str oai:estudogeral.uc.pt:10316/118134
network_acronym_str RCAP
network_name_str Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)
repository_id_str https://opendoar.ac.uk/repository/7160
spelling Image Coding Using Asymmetric Learned Processing StructuresCodificação de imagem usando estruturas treinadas assimétricasAprendizagem AutomáticaAuto-codificadores AssimétricosEfficient Lossy Image Data CompressionLearning-based Image CompressionMachine LearningAsymmetrical AutoencodersCompressão Eficiente de Imagem com PerdasCompressão de Imagem Baseada na Aprendizagem AutomaticaDissertação de Mestrado em Engenharia Eletrotécnica e de Computadores apresentada à Faculdade de Ciências e TecnologiaA compressão de imagem ocupa uma posição de destaque no domínio da compressão de dados, oferecendo um meio de reduzir o número de bits necessários para representar informações úteis. A compressão aprendida é a aplicação de redes neuronais e técnicas de aprendizagem automática relacionadas a esta tarefa.Os métodos de compressão de dados de imagem, baseados em aprendizagem profunda, superam consistentemente os padrões de compressão convencionais, no que respeita ao desempenho da taxa de distorção. No entanto, os métodos de aprendizagem profunda baseiam-se fortemente em redes neuronais convolucionais, o que exige capacidades computacionais intensivas e recursos de memória substanciais. Esta caraterística, de utilização intensiva de recursos, constitui um impedimento substancial à implementação destes algoritmos em dispositivos com baixo poder computacional e recursos de memória limitados.Resultados iniciais apresentados por Kim et al. (2020), Fu et al. (2022), e Yang et al. (2023), demostraram que ao explorar uma abordagem assimétrica entre a codificação e a descodificação, adotando uma rede de codificadores mais complexa e reduzindo a complexidade estrutural da rede de descodificação, obtém-se resultados semelhantes aos métodos de estado de arte.Neste trabalho, iremos explorar estruturas assimétricas de processamento aprendido para a codificação de imagem. O foco inicial será o uso de autoencoders assimétricos, e a implementação de métodos de poda de filtros e pesos de camadas convolucionais.Image compression takes a prominent position in the data compression field, offering an efficient methods to reduce the number of bits needed to represent useful information. Learned compression is the application of neural networks and related machine learning techniques to this task.Deep-learning-based methods for image compression have consistently outperformed conventional compression standards in terms of rate-distortion performance. However, deep learning methods are heavily based on convolutional neural networks, requiring intensive computational capabilities and substantial memory resources. This resource-intensive characteristic poses a substantial impediment in the deployment of these algorithms on devices with limited computational power and memory resources.Early results, presented by Kim et al. (2020), Fu et al. (2022), and Yang et al. (2023), have demonstrated that exploring the asymmetrical computation budget between encoding and decoding, by adopting a more complex encoder network and reducing the structural complexity of the decoding network, achieves comparable results to state-of-the-art methods.In this work, we will explore the use of asymmetric structures and other techniques to reduce the computational complexity of image (de)coding in systems based on auto-encoders. The initial focus will be on the use of asymmetric autoencoders where we will study the effect of reducing the structural and computational complexity of the encoder or the decoder followed by the implementation and study of filter and weight pruning methods.2024-09-262026-03-20T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesishttps://hdl.handle.net/10316/118134https://hdl.handle.net/10316/118134TID:203828992engMarques, Alexandre Pauloinfo:eu-repo/semantics/embargoedAccessreponame:Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)instname:FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologiainstacron:RCAAP2025-04-02T17:36:01Zoai:estudogeral.uc.pt:10316/118134Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireinfo@rcaap.ptopendoar:https://opendoar.ac.uk/repository/71602025-05-29T06:12:00.168270Repositórios Científicos de Acesso Aberto de Portugal (RCAAP) - FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologiafalse
dc.title.none.fl_str_mv Image Coding Using Asymmetric Learned Processing Structures
Codificação de imagem usando estruturas treinadas assimétricas
title Image Coding Using Asymmetric Learned Processing Structures
spellingShingle Image Coding Using Asymmetric Learned Processing Structures
Marques, Alexandre Paulo
Aprendizagem Automática
Auto-codificadores Assimétricos
Efficient Lossy Image Data Compression
Learning-based Image Compression
Machine Learning
Asymmetrical Autoencoders
Compressão Eficiente de Imagem com Perdas
Compressão de Imagem Baseada na Aprendizagem Automatica
title_short Image Coding Using Asymmetric Learned Processing Structures
title_full Image Coding Using Asymmetric Learned Processing Structures
title_fullStr Image Coding Using Asymmetric Learned Processing Structures
title_full_unstemmed Image Coding Using Asymmetric Learned Processing Structures
title_sort Image Coding Using Asymmetric Learned Processing Structures
author Marques, Alexandre Paulo
author_facet Marques, Alexandre Paulo
author_role author
dc.contributor.author.fl_str_mv Marques, Alexandre Paulo
dc.subject.por.fl_str_mv Aprendizagem Automática
Auto-codificadores Assimétricos
Efficient Lossy Image Data Compression
Learning-based Image Compression
Machine Learning
Asymmetrical Autoencoders
Compressão Eficiente de Imagem com Perdas
Compressão de Imagem Baseada na Aprendizagem Automatica
topic Aprendizagem Automática
Auto-codificadores Assimétricos
Efficient Lossy Image Data Compression
Learning-based Image Compression
Machine Learning
Asymmetrical Autoencoders
Compressão Eficiente de Imagem com Perdas
Compressão de Imagem Baseada na Aprendizagem Automatica
description Dissertação de Mestrado em Engenharia Eletrotécnica e de Computadores apresentada à Faculdade de Ciências e Tecnologia
publishDate 2024
dc.date.none.fl_str_mv 2024-09-26
2026-03-20T00:00:00Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/10316/118134
https://hdl.handle.net/10316/118134
TID:203828992
url https://hdl.handle.net/10316/118134
identifier_str_mv TID:203828992
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/embargoedAccess
eu_rights_str_mv embargoedAccess
dc.source.none.fl_str_mv reponame:Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)
instname:FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologia
instacron:RCAAP
instname_str FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologia
instacron_str RCAAP
institution RCAAP
reponame_str Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)
collection Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)
repository.name.fl_str_mv Repositórios Científicos de Acesso Aberto de Portugal (RCAAP) - FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologia
repository.mail.fl_str_mv info@rcaap.pt
_version_ 1833602612495122432

Similar Items