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)也越來越大,,因此找到一種高效的數(shù)據(jù)壓縮方法對于網(wǎng)絡(luò)傳輸來說至關(guān)重要。隨著研究的不斷深入,,有了各種場景下的壓縮方法,。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完成數(shù)據(jù)特征的學(xué)習(xí),并通過重構(gòu)的方式來完成數(shù)據(jù)解壓,。如王迎港[4]對特征進(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模型來實(shí)現(xiàn)數(shù)據(jù)壓縮,袁子越[9]等人通過知識圖譜和模糊度分析的方法對數(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ο螅虼私档土藬?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)特征對數(shù)據(jù)進(jìn)行生成,,完成數(shù)據(jù)的傳輸,并且整個模型的網(wǎng)絡(luò)結(jié)構(gòu)較簡單,,因此數(shù)據(jù)的壓縮和解壓耗時短,,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) 計算智能重慶市重點(diǎn)實(shí)驗室,,重慶 400065)