《電子技術應用》
您所在的位置：首頁 > 其他 > 設計應用 > 基于云模型的變分自編碼器數據壓縮方法*
基于云模型的變分自編碼器數據壓縮方法*
電子技術應用
郭秋燕，胡 磊，代 勁
（1.重慶醫(yī)科大學附屬第一醫(yī)院 信息中心，重慶 400016；2.重慶醫(yī)科大學醫(yī)學數據研究院，重慶 400016； 3.重慶郵電大學 計算智能重慶市重點實驗室，重慶 400065）
摘要： 圖像數據解壓縮問題是一類重要的數據處理問題，數據特征學習在數據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責構建數據的特征空間，通過在該空間中采樣獲得隱變量，完成數據壓縮；解碼器部分完成從數據特征到原數據的生成，即數據的解壓。在人臉數據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 文獻標志碼：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據壓縮方法[J]. 電子技術應用，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

隨著圖像數據分辨率的提高，數據也越來越大，因此找到一種高效的數據壓縮方法對于網絡傳輸來說至關重要。隨著研究的不斷深入，有了各種場景下的壓縮方法。文獻[1]-[3]通過字典學習和壓縮感知的方法來實現數據壓縮，如劉迎娜[2]采用K奇異值分解(K-Singular Value Decomposition, K-SVD)字典學習方法構建出壓縮字典，實現數據的壓縮；文獻[4]-[6]通過特征編碼的方式來完成數據特征的學習，并通過重構的方式來完成數據解壓。如王迎港[4]對特征進行差分編碼實現數據壓縮傳輸；還有通過降低數據之間的耦合度來實現數據壓縮，如夏信等[7]通過卷積神經網絡來降低數據間的耦合度從而降低數據的傳輸量。另外，文獻[8]通過MVC模型來實現數據壓縮，袁子越[9]等人通過知識圖譜和模糊度分析的方法對數據分類，并使用空間重構方法實現數據的壓縮。

隨著深度學習的發(fā)展，其在數據特征學習的能力突出，擅長處理海量的數據，數據量越多模型的表征能力越強，因此海量的數據促進了深度學習的進步與發(fā)展。近年來深度學習也漸漸被用于數據解壓縮任務。變分自編碼器[10]作為一類重要的數據生成模型，可以完成數據的特征表征，在數據生成方面已經有較多的研究。

圖像數據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據特征，將數據特征作為數據傳輸的對象，因此降低了數據在傳輸過程中的復雜度；在數據接收端再通過數據特征對數據進行生成，完成數據的傳輸，并且整個模型的網絡結構較簡單，因此數據的壓縮和解壓耗時短，提高了數據的壓縮速率及傳輸速率。

本文的主要貢獻為：（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。



本文詳細內容請下載：http://ihrv.cn/resource/share/2000005720




作者信息：

郭秋燕1，胡磊1，2，代勁3

（1.重慶醫(yī)科大學附屬第一醫(yī)院 信息中心，重慶 400016；2.重慶醫(yī)科大學醫(yī)學數據研究院，重慶 400016；3.重慶郵電大學 計算智能重慶市重點實驗室，重慶 400065）


微信圖片_20210517164139.jpg

此內容為AET網站原創(chuàng)，未經授權禁止轉載。