FenixEdu™

Dissertação

End-to-End Image Compression Optimization with Deep Neural Networks EVALUATED

Detalhes: As redes neuronais profundas (RNPs) têm alcançado grande sucesso na abordagem a tarefas complexas na área da visão computacional, nomeadamente classificação de imagens ou reconhecimento de objetos. Estas tarefas, que envolvem imagens, são tipicamente abordadas através de redes neuronais convolucionais (RNCs), uma variante das RNPs. Este recente sucesso no mundo do processamento de imagem levou a um crescente interesse no uso destas técnicas de aprendizagem profunda (principalmente RNCs) para abordar outros problemas clássicos no mundo da imagem digital como a codificação de imagem. Neste contexto, o objetivo principal desta Tese é desenvolver e avaliar uma solução baseada em técnicas de aprendizagem profunda para o complemento de um codec tradicional. Esta solução é constituída por uma RNC para simplificar a imagem a codificar e outra RNC para melhorar a imagem após a descodificação. A solução proposta é baseada em soluções já disponíveis na literatura e ambiciona colmatar as respetivas limitações, nomeadamente a impossibilidade de incluir um codec tradicional no treino de RNCs e a inexistência de uma função de custo no treino considerando também o custo binário da codificação e não apenas a distorção. Mais concretamente, as duas principais contribuições desta Tese são: o desenho de uma terceira RNC, nomeada CNN-FakeCodec, que é incluída no processo de treino das restantes RNCs; uma nova função de custo que permite minimizar tanto o débito de codificação como a distorção. Os resultados obtidos mostram que a solução proposta apresenta melhorias em relação às soluções de referência em algumas situações, nomeadamente dependendo da qualidade pretendida.
Keywords: Aprendizagem profunda, redes neuronais convolucionais, codificação de imagem, otimização débito-distorção.

Discussão: novembro 28, 2019, 16:0