Temat: SSIM - Prolib Integro

Skocz do pozycji: 1.

Tytuł:: Objective Video Quality Method Based on Mutual Information and Human Visual System
Autorzy:: Mardiak, M.
Polec, J.
Tematy:: objective video quality
HVS
mutual information
VQM
SSIM
PSNR; Pokaż więcej
Wydawca:: Polska Akademia Nauk. Czytelnia Czasopism PAN
Powiązania:: https://bibliotekanauki.pl/articles/227280.pdf Link otwiera się w nowym oknie
Opis:: In this paper we present the objective video quality metric based on mutual information and Human Visual System. The calculation of proposed metric consists of two stages. In the first stage of quality evaluation whole original and test sequence are pre-processed by the Human Visual System. In the second stage we calculate mutual information which has been utilized as the quality evaluation criteria. The mutual information was calculated between the frame from original sequence and the corresponding frame from test sequence. For this testing purpose we choose Foreman video at CIF resolution. To prove reliability of our metric were compared it with some commonly used objective methods for measuring the video quality. The results show that presented objective video quality metric based on mutual information and Human Visual System provides relevant results in comparison with results of other objective methods so it is suitable candidate for measuring the video quality.
Dostawca treści:: Biblioteka Nauki

Artykuł

na półce

Skocz do pozycji: 2.

Tytuł:: Quantization Techniques in Compressive Neural Networks.
Techniki Kwantyzacji w Kompresujących Sieciach Neuronowych.
Autorzy:: Nowak, Jakub
Opis:: Strony internetowe serwujące obrazy w wysokiej rozdzielczości są obecnie standardem. Nowe formaty takie jak obrazy 360 stopni, czy też wirtualna rzeczywistość (VR) zyskują na popularności. W tym kontekście, kompresja danych staje się zadaniem koniecznym, które może obniżyć zarówno ruch sieciowy, jak i miejsce na dyskach.Przez wiele lat kompresja danych była domeną dla ręcznie stworzonych algorytmów. Jednakże w ostatnich latach widzieliśmy wiele postępów w dziedzinie uczenia maszynowego. Sieci neuronowe zrewolucjonizowały wiele zadań, takich jak klasyfikacja obrazów czy też rozpoznawanie obiektów. Wkrótce ludzie też spróbowali zaaplikować metody głębokiego uczenia do problemu kompresji obrazów.Okazało się, że nowe problemy muszą zostać rozwiązane w celu wytrenowania z sukcesem kompresującej sieci neuronowej. Integralną częścią stratnej kompresji jest kwantyzacja. Jest ona zawarta w funkcjach zaokrąglających, które powodują utratę części informacji. Operacje te nie są różniczkowalne, co powoduje trudności w trenowaniu takich sieci neuronowych. W tej pracy magisterskiej rozważamy różne techniki stosowane w kompresujących sieciach neuronowych oraz proponujemy nowe podejścia. Zarysowujemy ich tło teoretyczne i przeprowadzamy empiryczne eksperymenty. Na koniec, porównujemy wydajność różnych modułów kwantyzacji w tym samym środowisku testowym.
Websites serving high-resolution images have now become a standard. New formats like 360 images or VR content gain popularity. In this context, data compression becomes a crucial task, which can reduce both Internet traffic and occupied storage. For many years, data compression was a domain for handcrafted algorithms. More recently, however, there have been many advances in the field of machine learning. Neural networks have revolutionized a lot of tasks, such as image classification or object recognition. Soon, people tried to apply deep learning techniques to the image compression problem. It occurred that new difficulties need to be overcome to have a successful compressive network. The integral part of lossy compression is quantization. It is contained in rounding functions and is responsible for the loss of information. Those operations are not differentiable, which makes it hard to train neural networks. In this paper, we investigate different techniques used in compressive neural networks to deal with quantization and also propose new approaches. We outline their theoretical background and conduct empiricalexperiments. Finally, we compare the performance of different quantizer modules in the same evaluation environment.
Dostawca treści:: Repozytorium Uniwersytetu Jagiellońskiego

Inne

na półce

Skocz do pozycji: 3.

Tytuł:: Image classification for jpeg compression
Autorzy:: Tichonov, Jevgenij
Kurasova, Olga
Filatovas, Ernestas
Tematy:: Image quality
image classification
JPEG algorithm
storage of images
quality prediction
SSIM
PSNR
jakość obrazu
klasyfikacja obrazu
algorytm JPEG
przechowywanie obrazów
prognozowanie jakości; Pokaż więcej
Wydawca:: Stowarzyszenie Inżynierów i Techników Mechaników Polskich
Powiązania:: https://bibliotekanauki.pl/articles/103336.pdf Link otwiera się w nowym oknie
Opis:: We analyse storage problems of digital images in accordance with image quality and image compression efficiency. Storage problems are relevant for Cloud storage and file hosting services, online file storage providers, social networks, etc. In this paper, an approach is proposed to process a group of images with a JPEG algorithm that all the processed images satisfy the minimum threshold of quality with the automatic selection of the quality factor (QF). The experimental investigation reveals advantages of the compression efficiency of the proposed approach over the traditional JPEG algorithm. The proposed approach enables saving storage spaces while maintaining the desirable image quality.
Dostawca treści:: Biblioteka Nauki

Artykuł

na półce

Skocz do pozycji: 4.

Tytuł:: Modified Block Sparse Bayesian Learning-Based Compressive Sensing Scheme For EEG Signals
Autorzy:: Upadhyaya, Vivek
Salim, Mohammad
Tematy:: compressive sensing
CS
mean square error
MSE
structural similarity index measure
SSIM
electroencephalogram
EEG
digital signal processing
DSP
block sparse Bayesian learning
BSBL; Pokaż więcej
Wydawca:: Polska Akademia Nauk. Czytelnia Czasopism PAN
Powiązania:: https://bibliotekanauki.pl/articles/1844532.pdf Link otwiera się w nowym oknie
Opis:: Advancement in medical technology creates some issues related to data transmission as well as storage. In real-time processing, it is too tedious to limit the flow of data as it may reduce the meaningful information too. So, an efficient technique is required to compress the data. This problem arises in Magnetic Resonance Imaging (MRI), Electrocardiogram (ECG), Electroencephalogram (EEG), and other medical signal processing domains. In this paper, we demonstrate Block Sparse Bayesian Learning (BSBL) based compressive sensing technique on an Electroencephalogram (EEG) signal. The efficiency of the algorithm is described using the Mean Square Error (MSE) and Structural Similarity Index Measure (SSIM) value. Apart from this analysis we also use different combinations of sensing matrices too, to demonstrate the effect of sensing matrices on MSE and SSIM value. And here we got that the exponential and chi-square random matrices as a sensing matrix are showing a significant change in the value of MSE and SSIM. So, in real-time body sensor networks, this scheme will contribute a significant reduction in power requirement due to its data compression ability as well as it will reduce the cost and the size of the device used for real-time monitoring.
Dostawca treści:: Biblioteka Nauki

Artykuł

na półce

Skocz do pozycji: 5.

Tytuł:: Hypernetwork generuje funkcyjną reprezentację obrazu.
Hypernetwork Generates Functional Image Representation.
Autorzy:: Klocek, Sylwester
Opis:: A commonly known representation of the image is a simple two-dimensional RGB matrix. In this paper, we introduce new approach for image representation which leverages neural networks. The idea is to define a function of the image and approximate it with a use of the neural network. The problem is this function describes only one image. It means we need multiple models trained separately for a set of images. The requirement of training model for each image makes this approach impractical. Therefore, an another neural network called hypernetwork is introduced for the purpose of training image models. It takes the RGB matrix as an input and returns the weights for the network representing the image. To make the hypernetwork’s task even harder, we enforced it to generate the representation of a high resolution image from its low resolution equivalent given as an input. As the result we ended up with a new Super Resolution method. What makes our solution unique is versatility of the architecture. It does not depend on a chosen scaling factor.
Powszechnie znaną reprezentacją obrazu jest zwykła dwuwymiarowa macierz RGB. W tej pracy magisterskiej zaproponowano nowe rozwiązanie pozwalające na przedstawienie obrazu za pomocą sieci neuronowych. Pomysł polega na znalezieniu funkcji opisującej obrazek i zaaproksymowaniu jej z wykorzystaniem sieci neuronowej. Wytrenowanie pojedynczej sieci nie zajmuje stosunkowo wiele czasu w porównaniu do treningu wielu takich sieci, który należałoby przeprowadzić dla całego zbioru obrazków. Rozwiązanie to zatem mogłoby nie sprawdzić się w praktyce, ale można je odpowiednio zmodyfikować, wprowadzając dodatkową sieć neuronową zwaną hypernetwork. Jest ona odpowiedzialna za generację poszczególnych sieci neuronowych reprezentujących pojedyncze obrazy. Jako wejście przyjmuje ona obraz w postaci macierzy RGB i zwraca wagi sieci aproksymującej funkcję tego obrazu. Można to zadanie nieco utrudnić, stawiając wymóg, aby zwracany obraz w nowej reprezentacji miał wyższą rozdzielczość. W tej pracy z powodzeniem udało się ten pomysł zrealizować, co zaowocowało nowym podejściem do problemu super-resolution, w którym architektura rozwiązania jest niezależna od rozdzielczości docelowej.
Dostawca treści:: Repozytorium Uniwersytetu Jagiellońskiego

Inne

na półce

Informacja

Wyszukujesz frazę "SSIM" wg kryterium: Temat