Learning for Compression
Fernàndez Mellado, Xavier
Serra Sagristà, Joan, ![Identificador ORCID](/img/uab/orcid.ico)
dir. (Universitat Autònoma de Barcelona. Departament d'Enginyeria de la Informació i de les Comunicacions)
Universitat Autònoma de Barcelona.
Escola d'Enginyeria
Títol variant: |
Aprendizaje para la compresión |
Títol variant: |
Aprenentatge per a la compressió |
Data: |
2023 |
Resum: |
En este documento se analizan algunos de los modelos basados en deep learning para la compresión de imagen sin pérdidas. Dentro de estos modelos existen varias taxonomías que se diferencian entre sí por la arquitectura de los modelos. En este TFG se estudian los modelos basados en auto-regresión llamados L3C, RC, SReC y ICEC; esta arquitectura se basa en la predicción del píxel actual a partir de los anteriores. Finalmente se realiza un benchmark que compara L3C y RC con los modelos convencionales y se extraen las conclusiones que los modelos convencionales son más veloces pero consiguen un ratio de compresión menor mientras que L3C y RC tienen una velocidad de dos órdenes de magnito menor, pero su ratio de compresión es mayor. También se analiza la dificultad de compatibilidad de estos modelos con ciertas librerías necesarias. |
Resum: |
In this document, some of the deep learning-based models for lossless image compression are analyzed. Within these models, there are several taxonomies that differ from each other by the architecture of the models. In this TFG, the self-regression-based models called L3C, RC, SReC and ICEC are studied; this architecture is based on predicting the current pixel from the previous ones. Finally, a benchmark is performed comparing L3C and RC with conventional models and the conclusions are that conventional models are faster but achieve a lower compression ratio while L3C and RC have a speed two orders of magnitude lower, but their compression ratio is higher. The compatibility difficulty of these models with certain necessary libraries is also analyzed. |
Resum: |
En aquest document s'analitzen alguns dels models basats en deep learning per a la compressió d'imatge sense pèrdues. Dintre d'aquests models existeixen vàries taxonomies que es diferencien entre elles per l'arquitectura dels models. En aquest TFG s'estudien els models basats en auto-regressió anomenats L3C, RC, SReC i ICEC; aquesta arquitectura es basa en la predicció del píxel actual a partir dels anteriors. Finalment, es realitza un benchmark que compara L3C i RC amb els models convencionals i s'extreuen les conclusions que els models convencionals són més ràpids, però aconsegueixen una ràtio de compressió menor, mentre que L3C i RC tenen una velocitat de dos ordres de magnitud menor, però la seva ràtio de compressió és major. També s'analitza la dificultat de compatibilitat d'aquests models amb certes llibreries necessàries. |
Drets: |
Aquest document està subjecte a una llicència d'ús Creative Commons. Es permet la reproducció total o parcial, la distribució, i la comunicació pública de l'obra, sempre que no sigui amb finalitats comercials, i sempre que es reconegui l'autoria de l'obra original. No es permet la creació d'obres derivades. ![Creative Commons](/img/licenses/by-nc-nd.ico) |
Llengua: |
Castellà |
Titulació: |
Grau en Enginyeria Informàtica [2502441] |
Pla d'estudis: |
Enginyeria Informàtica [958] |
Document: |
Treball final de grau ; Text |
Àrea temàtica: |
Menció Tecnologies de la Informació |
Matèria: |
Compressió d'imatge ;
Sense pèrdues ;
Compresión de imagen ;
Sin pérdidas ;
Machine learning ;
CNN ;
Modelos auto-regresivos ;
L3C ;
RC ;
SReC ;
ICEC ;
Lossless image compression ;
Auto-regressive models |
El registre apareix a les col·leccions:
Documents de recerca >
Treballs de Fi de Grau >
Escola d'Enginyeria. TFG
Registre creat el 2023-03-07, darrera modificació el 2024-07-20