Dissertação

Performance Assessment of Deep Learning based Image Codecs EVALUATED

Os céleres avanços tecnológicos actuais, abriram áreas de desenvolvimento científico que aumentam exponencialmente a capacidade da análise de dados. Neste contexto, merecem especial referências o Machine Learning (ML), e o Deep Learning (DL). O DL é o estudo científico que usa redes neuronais, compostas por múltiplas camadas de processamento, capazes de resolver os diversos problemas. Existem vários tipos de redes neuronais, nomeadamente Auto-Encoders e Redes Neuronais Recursivas (RNN), que podem ser usadas nomeadamente no processamento de imagens digitais. Esta dissertação tem como principal objectivo estudar os desenvolvimentos recentes na área da codificação de imagem baseada em técnicas DL e fazer a avaliação do seu desempenho em termos de eficiência de compressão de forma subjectiva e objectiva. Foram escolhidas cinco soluções de codificação DL, nomeadamente uma solução baseada em RNN proposta por Toderici et al. (RNN-C) e quatro soluções propostas or Ballé et al. (MM-M, MM-E, BH-M e BH-E), e ainda vários codecs de referência, nomeadamente o HEVC Intra, WebP, JPEG 2000 e JPEG XT. Todos estes codecs foram subjectivamente avaliadas usando um protocolo DSIS. Os resultados mostraram um melhor desempenho dos codecs DL em relação aos codecs de referêcia. Posteriormente, cinco métricas objectivas de qualidade (PSNRY, PSNRYCbCr, MS-SSIM, SSIM e VIF) foram aplicadas às imagens descodificadas com os mesmos codecs escolhidos. Neste caso, os resultados foram mais equilibrados. Por fim, calcularam-se os coeficientes de correlação de Spearman e Pearson, que demonstram que o MS SSIM é a métrica que oferece resultados objectivos com a maior correlação com os resultados subjectivos.
Deep Learning, compressão de imagem, avaliação subjectiva, avaliação objectiva, avaliação correlacional

Novembro 27, 2019, 11:30

Documentos da dissertação ainda não disponíveis publicamente

Orientação

ORIENTADOR

Fernando Manuel Bernardo Pereira

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Associado

ORIENTADOR

João Miguel Duarte Ascenso

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Auxiliar