《電子技術(shù)應(yīng)用》
您所在的位置：首頁 > 其他 > 設(shè)計應(yīng)用 > 基于云模型的變分自編碼器數(shù)據(jù)壓縮方法*
基于云模型的變分自編碼器數(shù)據(jù)壓縮方法*
電子技術(shù)應(yīng)用
郭秋燕,，胡 磊，代 勁
（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實驗室,，重慶 400065）
摘要： 圖像數(shù)據(jù)解壓縮問題是一類重要的數(shù)據(jù)處理問題，數(shù)據(jù)特征學(xué)習(xí)在數(shù)據(jù)壓縮研究中有重要的研究價值,。提出了一種基于云模型的變分自編碼器特征表征模型,，將云模型作為變分自編碼器的先驗分布，解決變分自編碼器在特征表征上的局限性,。變分自編碼器的編碼器部分負(fù)責(zé)構(gòu)建數(shù)據(jù)的特征空間,，通過在該空間中采樣獲得隱變量，完成數(shù)據(jù)壓縮,；解碼器部分完成從數(shù)據(jù)特征到原數(shù)據(jù)的生成,，即數(shù)據(jù)的解壓。在人臉數(shù)據(jù)集上與原方法作實驗對比,，驗證了該方法的正確性和有效性,。
中圖分類號：TP183 文獻(xiàn)標(biāo)志碼：A DOI: 10.16157/j.issn.0258-7998.233928
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.
Variational autoencoder data compression algorithm based on cloud model
Guo Qiuyan1,，Hu Lei1,，2，Dai Jin3
(1.Information Center,， The First Affiliated Hospital of Chongqing Medical University,， Chongqing 400016，China,； 2.Medical Data Science Academy of Chongqing Medical University,，Chongqing 400016，China,；3.Chongqing Key Laboratory of Computational Intelligence,， Chongqing University of Posts and Telecommunications， Chongqing 400065,，China)
Abstract： Image data decompression is a kind of important data processing problem. Data feature learning has important research value in data compression research. This paper proposes a feature representation model of variational autoencoder based on cloud model, which takes the cloud model as the prior distribution of variational autoencoder and solves its limitation in feature representation. The encoder of the variational autoencoder is responsible for constructing the feature space of data, obtaining hidden variables by sampling in the space, and completing data compression. The decoder completes the generation from data features to raw data, that is the decompression of data. The correctness and effectiveness of the proposed method are verified by the experimental comparison with the original method on face dataset.
Key words : cloud model,；variational autoencoder；hidden variable space,；data compression,；data reconstruction

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,，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?，因此降低了?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實驗室，重慶 400065）


微信圖片_20210517164139.jpg

此內(nèi)容為AET網(wǎng)站原創(chuàng),，未經(jīng)授權(quán)禁止轉(zhuǎn)載,。