中文引用格式: 郭秋燕,胡磊,,代勁. 基于云模型的變分自編碼器數(shù)據(jù)壓縮方法[J]. 電子技術(shù)應(yīng)用,,2023,49(10):96-99.
英文引用格式: Guo Qiuyan,,Hu Lei,,Dai Jin. Variational autoencoder data compression algorithm based on cloud model[J]. Application of Electronic Technique,2023,,49(10):96-99.
0 引言
隨著圖像數(shù)據(jù)分辨率的提高,數(shù)據(jù)也越來(lái)越大,,因此找到一種高效的數(shù)據(jù)壓縮方法對(duì)于網(wǎng)絡(luò)傳輸來(lái)說(shuō)至關(guān)重要,。隨著研究的不斷深入,有了各種場(chǎng)景下的壓縮方法,。文獻(xiàn)[1]-[3]通過字典學(xué)習(xí)和壓縮感知的方法來(lái)實(shí)現(xiàn)數(shù)據(jù)壓縮,,如劉迎娜[2]采用K奇異值分解(K-Singular Value Decomposition, K-SVD)字典學(xué)習(xí)方法構(gòu)建出壓縮字典,實(shí)現(xiàn)數(shù)據(jù)的壓縮,;文獻(xiàn)[4]-[6]通過特征編碼的方式來(lái)完成數(shù)據(jù)特征的學(xué)習(xí),,并通過重構(gòu)的方式來(lái)完成數(shù)據(jù)解壓。如王迎港[4]對(duì)特征進(jìn)行差分編碼實(shí)現(xiàn)數(shù)據(jù)壓縮傳輸,;還有通過降低數(shù)據(jù)之間的耦合度來(lái)實(shí)現(xiàn)數(shù)據(jù)壓縮,,如夏信等[7]通過卷積神經(jīng)網(wǎng)絡(luò)來(lái)降低數(shù)據(jù)間的耦合度從而降低數(shù)據(jù)的傳輸量。另外,,文獻(xiàn)[8]通過MVC模型來(lái)實(shí)現(xiàn)數(shù)據(jù)壓縮,,袁子越[9]等人通過知識(shí)圖譜和模糊度分析的方法對(duì)數(shù)據(jù)分類,并使用空間重構(gòu)方法實(shí)現(xiàn)數(shù)據(jù)的壓縮,。
隨著深度學(xué)習(xí)的發(fā)展,,其在數(shù)據(jù)特征學(xué)習(xí)的能力突出,擅長(zhǎng)處理海量的數(shù)據(jù),,數(shù)據(jù)量越多模型的表征能力越強(qiáng),,因此海量的數(shù)據(jù)促進(jìn)了深度學(xué)習(xí)的進(jìn)步與發(fā)展。近年來(lái)深度學(xué)習(xí)也漸漸被用于數(shù)據(jù)解壓縮任務(wù),。變分自編碼器[10]作為一類重要的數(shù)據(jù)生成模型,,可以完成數(shù)據(jù)的特征表征,在數(shù)據(jù)生成方面已經(jīng)有較多的研究,。
圖像數(shù)據(jù)的特征空間是具有連續(xù)性的,,各特征之間也是有差異性的,變分自編碼器通過特征表征得到數(shù)據(jù)特征,,將數(shù)據(jù)特征作為數(shù)據(jù)傳輸?shù)膶?duì)象,,因此降低了數(shù)據(jù)在傳輸過程中的復(fù)雜度,;在數(shù)據(jù)接收端再通過數(shù)據(jù)特征對(duì)數(shù)據(jù)進(jìn)行生成,完成數(shù)據(jù)的傳輸,,并且整個(gè)模型的網(wǎng)絡(luò)結(jié)構(gòu)較簡(jiǎn)單,,因此數(shù)據(jù)的壓縮和解壓耗時(shí)短,提高了數(shù)據(jù)的壓縮速率及傳輸速率,。
本文的主要貢獻(xiàn)為:(1)提出一種基于云模型[11]的變分自編碼器先驗(yàn)變體模型,,提高模型的表征能力;(1)提出一種新的基于生成模型的解壓縮方法,,降低特征耦合度,,提升模型的壓縮能力。
本文詳細(xì)內(nèi)容請(qǐng)下載:http://forexkbc.com/resource/share/2000005720
作者信息:
郭秋燕1,,胡磊1,,2,代勁3
(1.重慶醫(yī)科大學(xué)附屬第一醫(yī)院 信息中心,,重慶 400016;2.重慶醫(yī)科大學(xué)醫(yī)學(xué)數(shù)據(jù)研究院,,重慶 400016,;3.重慶郵電大學(xué) 計(jì)算智能重慶市重點(diǎn)實(shí)驗(yàn)室,重慶 400065)