dir. (Universitat Autònoma de Barcelona. Departament d'Enginyeria de la Informació i de les Comunicacions)
| Fecha: |
2024 |
| Resumen: |
Cada vez los usuarios manejan más cantidad de datos, y con el avance tecnológico, estos datos ocupan un mayor espacio, más específicamente en el creciente campo de la realidad virtual, se necesitan enormes cantidades de espacio para almacenar cada uno de los elementos que se desean representar. Estos elementos, almacenados en estructuras conocidas como Point Clouds o PC, necesitan ser comprimidas para mitigar el impacto en la memoria de la que dispone un dispositivo, para ello surgen ténicas clásicas como FRL, y otras como SeqNOC que hacen uso de machine learning o ML, mediante redes neuronales, para mejorar algunos aspectos de la compresión y descompresión. En este artículo se propone un cambio en el método SeqNOC para prescindir de la necesidad de entrenar la red neuronal para cada secuencia que se desea comprimir, permitiendo usar una red ya entrenada, y posteriormente, se valorará el impacto de esta modificación en el rendimiento del algoritmo. |
| Resumen: |
Users are handling increasingly large amounts of data, and with technological advances, this data occupies more space, specifically in the growing field of virtual reality. Enormous amounts of space are needed to store each of the elements that are desired to be represented. These elements, stored in structures known as Point Clouds or PC, need to be compressed to mitigate the impact on the memory available on a device. Classical techniques such as FRL emerge for this purpose, as well as others like SeqNOC that make use of machine learning or ML through neural networks to improve certain aspects of compression and decompression. This article proposes a change in the SeqNOC method to eliminate the need to train the neural network for each sequence that needs to be compressed, allowing the use of a pre-trained network. Subsequently, the impact of this modification on the algorithm's performance will be evaluated. |
| Resumen: |
Cada cop més, els usuaris gestionen més quantitat de dades, i amb l'avanç tecnològic, aquestes dades ocupen més espai, més específicament en el creixent camp de la realitat virtual, es necessiten enormes quantitats d'espai per emmagatzemar cadascun dels elements que es volen representar. Aquests elements, emmagatzemats en estructures conegudes com a Point Clouds o PC, necessiten ser comprimits per mitigar l'impacte en la memòria de la qual disposa un dispositiu, per això sorgeixen tècniques clàssiques com FRL, i altres com SeqNOC que fan ús de machine learning o ML, mitjançant xarxes neuronals, per millorar alguns aspectes de la compressió i descompressió. En aquest article es proposa un canvi en el mètode SeqNOC per prescindir de la necessitat d'entrenar la xarxa neuronal per a cada seqüència que es vol comprimir, permetent usar una xarxa ja entrenada, i posteriorment, es valorarà l'impacte d'aquesta modificació en el rendiment de l'algoritme. |
| Derechos: |
Aquest document està subjecte a una llicència d'ús Creative Commons. Es permet la reproducció total o parcial, la comunicació pública de l'obra i la creació d'obres derivades, sempre que no sigui amb finalitats comercials i que es distribueixin sota la mateixa llicència que regula l'obra original. Cal que es reconegui l'autoria de l'obra original.  |
| Lengua: |
Castellà |
| Titulación: |
Grau en Enginyeria Informàtica [2502441] |
| Plan de estudios: |
Enginyeria Informàtica [958] |
| Documento: |
Treball final de grau ; Text |
| Área temática: |
Menció Tecnologies de la Informació |
| Materia: |
V-PCC ;
G-PCC ;
Point Clouds ;
Redes Neuronales ;
CNN ;
SeqNOC ;
Sin perdida ;
Neural Networks ;
Lossless ;
Xarxes Neuronals ;
Sense perdua |
visitante ::
identificación
dir. (Universitat Autònoma de Barcelona. Departament d'Enginyeria de la Informació i de les Comunicacions)
