XiaoMi-AI文件搜索系统
World File Search System有损压缩
cliz：使用自适应微调数据预测为气候数据集优化有损压缩
摘要 - 从尖端的超级计算机中获得支持极大的科学模拟，气候研究在过去几十年中取得了显着发展。，在有效地存储和传输大规模的气候数据之间，出现了新的关键挑战。在本文中，我们开发了CLIZ，这是一种有效的在线错误控制有损压缩方法，具有优化的数据预测和对气候数据集跨各种气候模型的编码方法。一方面，我们探索了如何利用气候数据集的特定属性（例如蒙版信息，维度置换/融合和数据周期性模式）以提高数据预测准确性。另一方面，Cliz采用了一种新型的多霍夫曼编码方法，可以显着提高编码效率。因此显着提高了压缩比。我们根据具有不同模型的多个实地世界气候数据集评估了CLIZ与许多其他最先进的错误控制损耗压缩机（包括SZ3，ZFP，SPERR和QOZ）。实验表明，Cliz在气候数据集上的表现优于第二好的压缩机（SZ3，SPERR或QOZ1.1）的压缩比的压缩率高20％-200％。cliz可以将两个远程Globus终点之间的数据传输成本显着降低32％-38％。索引术语 - 错误控制的损耗压缩，气候数据集，分布式数据存储库/数据库
意外反应是压缩记忆状态的探测
近期记忆容量有限，不可避免地会导致对过去刺激的部分记忆。还有证据表明，对新奇或罕见刺激的行为和神经反应取决于一个人对过去刺激的记忆。因此，这些反应可以作为不同个体记忆和遗忘特征的探测。在这里，我们利用了两种固有涉及遗忘的刺激序列有损压缩模型，这不仅在许多情况下是必需的，而且具有理论和行为优势。一个模型基于一个简单的刺激计数器，另一个模型基于信息瓶颈 (IB) 框架，该框架为生物和认知现象提出了一个更普遍、理论上合理的原理。这些模型用于分析通常称为 P300 的新奇检测事件相关电位。在听觉奇异范式中记录的 P300 反应的逐次试验变化都经过每个模型的测试，以提取每个受试者的两个刺激压缩参数：记忆长度和表征准确性。然后利用这些参数估计受试者在任务条件下的近期记忆容量极限。结果以及最近发表的关于单个神经元和 IB 模型的研究结果强调了如何利用有损压缩框架来解释不同空间尺度和不同个体的神经反应的逐次变化，同时使用基于理论的简约模型提供不同表征水平的个体记忆特征估计值。
TIGP SNHCC 2024秋季教学大纲
地点：新建筑物107室，IIS，随着时间的时间：星期三，09：00-12：00主席：Jun-Cheng Chen博士（主席）Hen-Hsen Huang博士Wen-Hung Liao博士Yan-tsung Peng博士Li Su Su Su Su Su 1.多媒体介绍1.1。什么是多媒体及其与生成AI的联系？1.2。多媒体应用程序的概述1.3。多媒体研究资源2。多媒体基础2.1。图形和图像数据表示2.2。图像和视频中的颜色2.3中的颜色。视频2.4中的基本概念。数字音频的基础知识3。社会多媒体分析中的机器学习和深度学习3.1。机器学习基础3.2。深度学习基础3.3。无监督/半监督/监督学习等。4。多媒体处理和编码4.1。视频编码基础4.2。无损压缩和有损压缩4.3。转换编码4.4。运动补偿预测编码
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)
图像处理：是什么、如何处理以及未来
退化现象。使用去噪技术去除图像中的噪声和使用去模糊技术去除图像中的模糊都属于图像恢复。 • 彩色图像处理：这基本上有两种类型——全彩色和伪彩色处理。在前一种情况下，图像是通过全彩色传感器（如彩色扫描仪）捕获的。全彩色处理进一步分为两类：在第一类中，每个组件被单独处理，然后形成复合处理后的彩色图像；在第二类中，我们直接操作彩色像素。伪彩色或假彩色处理涉及根据规定的标准将颜色分配给特定的灰度值或值范围。强度切片和颜色编码是伪彩色处理的技术。颜色用于图像处理是因为人类能够区分不同色调和强度与不同灰度。此外，图像中的颜色使得从场景中提取和识别物体变得容易。 • 图像压缩：这意味着通过消除重复数据来减少表达数字图像所需的信息量。压缩是为了减少图像的存储要求或减少传输期间的带宽要求。压缩是在存储或传输图像之前完成的。压缩有两种类型——有损和无损。在无损压缩中，图像的压缩方式不会丢失任何信息。但是在有损压缩中，为了实现高水平的压缩，可以接受一定量的信息丢失。前者适用于图像存档，例如存储医疗或法律记录，而后者适用于视频会议、传真传输和广播电视。无损压缩技术包括可变长度编码、算术编码、霍夫曼编码、位平面编码、LZW 编码、游程编码和无损预测编码。有损压缩技术包括有损预测编码、小波编码和变换编码。• 形态图像处理：它是一种绘制图像中可用于表示和描述图像形态、大小和形状的部分的技术。常见的形态学算子有膨胀、腐蚀、闭运算和开运算。形态学图像处理的主要应用包括边界提取、区域填充、凸包、骨架、细化、连通分量提取、加厚和剪枝。• 图像分割：这是使用自动和半自动方法从图像中提取所需区域的过程。分割方法大致分为边缘检测方法、基于区域的方法（包括阈值和区域增长方法）、分类方法（包括 K 近邻、最大似然法）、聚类方法（K 均值、模糊 C 均值、期望最大化方法）和分水岭分割 [3]。• 表示和描述：分割过程的结果是像素形式的原始数据，需要进一步压缩才能表示和描述，以便进行额外的计算机处理。区域可以用其外部特征（如边界）来表示
在人脑连接学经济学中有效编码
在系统神经科学中，大多数模型都认为大脑区域在效率的限制下传达信息。然而，以分层组织和高度连接的枢纽为特征的结构性大脑网络中有效沟通的证据仍然很少。有效编码的原则提出，大脑以代谢经济或压缩形式传输最大信息，以改善未来的行为。为了确定结构连通性如何支持有效的编码，我们开发了一个理论，指定大脑区域之间消息传输速率以实现预期的忠诚度，并且我们基于随机行走通信动态从理论中测试了五个预测。这样做，我们介绍了压缩效率的指标，该指标量化了结构网络中有损压缩和传输保真度之间的权衡。在大量的青年样本中（n = 1,042；年龄8 - 23岁），我们分析了源自扩散加权成像和使用脑血流量运行的代谢支出的结构网络。我们表明，结构网络罢工压缩效率与理论预测一致。我们发现，压缩效率优先于发展，在代谢资源和髓鞘沟通沟通时提高忠诚度，解释了分层组织的优势，将较高的投入保真度与面积不成比例的扩张联系起来，并表明枢纽通过损失压力整合信息。最后，压缩效率可以预测行为（超出常规网络效率指标），包括执行功能，记忆，复杂的推理和社会认知，包括行为。我们的发现阐明了宏观连接如何支持有效的编码，并用于前景通信过程，这些过程利用了受网络连接约束的随机步行动态。