XiaoMi-AI文件搜索系统
World File Search System图像压缩
SAR 图像压缩技术性能评估：应用于 COSMO-SkyMed 数据
军事领域对遥感信息的需求可以追溯到古代；起初，人们从山上控制敌人及其活动，后来则从飞艇和飞机上控制。随着火箭和卫星的出现，从太空观察地面上的军事和政治活动成为可能。因此，自太空探索开始以来，已发射了数百颗卫星，使军事情报部门的监视活动得以整合。由于卫星具有多种潜力，它们现在可以协助军事领域以及其他领域 - 包括通信、气象学、海洋学、定位和预警。直到今天，许多卫星都是为政府目的而开发的，用于支持科学研究和环境监测。每天，地球都被许多遥感卫星系统星座所描绘。这些卫星由各种国际机构建造和发射，它们有自己特定的成像传感器，利用可见光、红外、微波和电磁波谱的其他部分。频率范围的选择取决于我们想要研究的内容；例如，红外范围对于研究海面图像非常有用，而城市区域图像的分析则需要使用多光谱数据。本论文的重点是主动传感器；特别是本论文基于对 SAR（合成孔径雷达）系统的分析。图像卫星利用雷达原理，利用反向散射信号的时间延迟来形成图像：这些传感器发出微波能量的短脉冲，然后记录回波，通过复杂的信号处理步骤获得可读的表面图像。SAR 图像
机器和人类视觉的图像压缩具有空间频率适应
摘要。机器和人类视力（ICMH）的图像压缩近年来引起了人们的关注。现有的ICMH方法受到高训练和存储开销的限制，这是由于特定于任务的网络设计的大量设计。为了解决此问题，在本文中，我们为ICMH（名为Adapt-ICMH）开发了一种新颖的基于轻量级适配器的调整框架，可以更好地平衡任务性能和比特率与减少的开销。We propose a spatial-frequency modulation adapter (SFMA) that simultaneously eliminates non-semantic redundancy with a spatial modulation adapter, and enhances task-relevant frequency com- ponents and suppresses task-irrelevant frequency components with a fre- quency modulation adapter.所提出的适配器是插件播放的，并且与几乎所有现有的学到的图像压缩模型兼容，而不会损害预训练模型的性能。实验表明，适应性ICMH始终在各种机器视觉任务上的现有ICMH框架较少，并且较少的微调参数和降低的计算复杂性。代码将在https://github.com/qingshi9974/eccv2024-adpaticmh上发布。
SAR 图像压缩技术的性能评估：应用于 COSMO-SkyMed 数据
军事领域对遥感信息的需求可以追溯到古代；起初，人们从山上控制敌人及其活动，然后从飞艇和飞机上控制敌人及其活动。随着火箭和卫星的出现，从太空观察地面上的军事和政治活动成为可能。因此，自太空探索开始以来，已发射了数百颗卫星，从而可以整合军事情报部门的监视活动。由于其各种潜力，卫星现在可以协助其他领域以及军事领域 - 包括通信，气象学，海洋学，定位和预警。直到现在，许多卫星都是为政府目的而开发的，支持科学研究和环境监测。每天地球都被许多遥感卫星系统星座所描绘。这些卫星由各种国际机构建造和发射，拥有各自特定的成像传感器，利用可见光、红外、微波和电磁频谱的其他部分。频率范围的选择取决于我们想要研究的内容；例如，红外范围对于研究海面图像非常有用，而城市区域图像的分析则需要使用多光谱数据。在本论文工作中，重点是主动传感器；特别是本论文基于对 SAR（合成孔径雷达）系统的分析。成像卫星利用雷达原理，利用反向散射信号的时间延迟形成图像：这些传感器发出微波能量的短脉冲，然后记录返回，通过复杂的信号处理步骤获得可读的表面图像。SAR 图像位于
基于 JPEG2000 标准的实时高光谱图像压缩 FPGA 加速器
Refka Ghodhbani 沙特阿拉伯北部边境大学计算机科学系、计算机与信息技术学院 | 突尼斯莫纳斯提尔大学科学学院电子与微电子实验室 refka.ghodhbani@nbu.edu.sa（通讯作者） Taoufik Saidani 沙特阿拉伯北部边境大学计算机科学系、计算机与信息技术学院 taoufik.saidan@nbu.edu.sa Layla Horrigue 突尼斯莫纳斯提尔大学科学学院电子与微电子实验室 layla.k-12@hotmail.com Asaad M. Algarni 沙特阿拉伯北部边境大学计算机科学系、计算机与信息技术学院 asaad.algarni@nbu.edu.sa Muteb Alshammari 沙特阿拉伯北部边境大学计算机与信息技术学院信息技术系 muteb.alshammari@nbu.edu.sa
CCSDS 无损多光谱和高光谱卫星图像压缩标准的实施
本文介绍了符合空间数据系统咨询委员会 (CCSDS) 121.0-B-2 和 CCSDS 123.0-B-1 无损卫星图像压缩标准的两个知识产权 (IP) 核的建模、设计和实现。CCSDS 121.0-B-2 描述了一种基于 Rice 自适应编码的无损通用压缩器。CCSDS 123.0-B-1 标准描述了一种专为高效机载高光谱和多光谱图像压缩而设计的无损算法，它基于预测和基于熵的编码结构。后者提供了两种选项：样本自适应和块自适应编码器，对应于 CCSDS 121.0-B-2 算法。这些 IP 核被设计为独立的压缩器，但由于专用接口，它们可以轻松地以即插即用的方式组合在一起使用。此外，还提供了用于配置和外部存储器访问的标准接口。设计过程包括考虑几种不同的硬件架构，以便同时最大化吞吐量并优化机载资源的要求。这两个 IP 都符合标准中考虑的高可配置性。获得的 VHDL 代码完全独立于技术，因此可用于针对太空环境中感兴趣的任何现场可编程门阵列 (FPGA) 或 ASIC，旨在在卫星中高效执行压缩，尽管固有的
一种用于人类感知和多个视觉任务的统一图像压缩方法
摘要。端到端图像压缩的最新进展可能会超过传统的编解码器，以超越率延伸性能。但是，当前的方法要么优先考虑人类概念质量，要么仅针对一个或几个预定的下游任务优化，从而忽略了涉及各种不可预见的机器视觉任务的更常见的情况。在本文中，我们提出了一个基于扩散的多任务统一图像压缩框架，旨在通过在开放设定的场景中纳入Hu-Man感知和多个视觉任务来扩展传统图像压缩的边界。我们提出的方法包括多任务协作嵌入模块和基于扩散的不变知识学习模块。以前的模块有助于完成多个任务的协作嵌入，而后一个模块通过将不变知识从可见的视觉任务中提炼出来，从而提高了对不可预见的任务的概括。实验表明，所提出的方法提取了用于Human和Machine Vision协作压缩的紧凑和多功能嵌入，从而带来了出色的性能。Specifically, our method outperforms the state-of-the-art by 52.25%/51.68%/48.87%/48.07%/6.29% BD-rate reduction in terms of mAP/mAP/aAcc/PQ-all/accuracy on the MS-COCO for object de- tection/instance segmentation/semantic segmentation/panoptic segmen- tation and video question answering tasks, 分别。
对端到端学习图像压缩的调查
摘要：近年来端到端学习的图像压缩编解码器显着出现。这些编解码器表现出比常规方法的优越性，在支持新的失真损失的同时，展示了各种数据域之间的显着灵活性和适应性。尽管诸如计算复杂性之类的挑战，但由于其非常合适的内部表示，学习的图像压缩方法与基于学习的数据处理和分析管道固有地保持一致。机器视频编码的概念引起了学术研究人员和行业从业人员的极大关注。这个概念反映了将数据压缩与计算机视觉应用程序集成的日益增长的需求。根据这些发展，我们提出了一项全面的调查和综述，对有损图像压缩方法。此外，我们还提供了两个著名国际标准的简明概述，即机器和JPEG AI的MPEG视频编码。这些标准旨在弥合数据压缩和计算机视觉之间的差距，以适应实际行业用例。
最终年度项目报告（数字图像...
在过去的几十年中，对计算机的依赖和信息的效用一直在急剧增长。因此，开发用于存储和传输不断增加的数据量的有效技术已成为一个高度优先的问题。图像压缩通过减少表示数字图像所需的数据量来解决该问题。压缩过程的基础是删除冗余数据。为给定应用程序选择合适的压缩方案取决于可用的处理内存、数学计算的数量和可用的传输带宽。数字图像的安全性是另一个重要问题，近年来一直受到广泛关注。文献中提出了不同的图像加密方法来确保数据的安全性。加密过程将二维像素阵列转换为统计上不相关的数据集。本文提出了一种基于增强数论的彩色图像压缩和加密方案。该技术同时包含基于图像压缩和图像加密的双重应用，采用基于模型的范例作为通用压缩加密标准。
人工智能的应用——图像处理
彩色图像和不同的色彩空间。根据图像类型，我们可以讨论伪彩色处理（当颜色被分配灰度值时）或 RGB 处理（对于使用全彩色传感器获取的图像）。• 图像压缩和解压缩允许
增强 AI 对图像编码伪影的适应性
摘要 — 在机器对机器 (M2M) 传输环境中，非常需要使用有损压缩来减少传输的信息量。然而，常用的图像压缩方法是为人类感知而设计的，而不是为人工智能 (AI) 算法的性能而设计的。众所周知，这些压缩失真会影响许多基于深度学习的架构在多个计算机视觉任务上的表现。在本文中，我们专注于分类任务，并提出了一种名为专家训练的新方法，以增强卷积神经网络 (CNN) 对压缩失真的弹性。我们在 ImageNet 数据集上使用 MnasNet 和 ResNet50 架构验证了我们的方法，以抵抗三种常用方法 (JPEG、J2K 和 BPG) 引入的图像压缩失真。结果表明，使用所提出的专家训练方法，这两种架构对测试的编码伪影具有更好的鲁棒性。我们的代码可在 https://github.com/albmarie/expert training 上公开获取。索引术语 — 人工智能 (AI)、图像编码、机器对机器 (M2M)