您所在的位置：首页 > 其他 > 设计应用 > 基于利高国际官网的利高国际官网利高国际官网方法*
基于利高国际官网的利高国际官网利高国际官网方法*
世纪娱乐注册
郭秋燕，胡 磊，代 劲
（1.重庆医科大学附属第一医院 信息中心，重庆 400016；2.重庆医科大学医学数据研究院，重庆 400016； 3.重庆邮电大学 计算智能重庆市重点实验室，重庆 400065）
摘要： 图像数据解压缩问题是一类重要的数据处理问题，数据特征学习在利高国际官网研究中有重要的研究价值。提出了一种基于利高国际官网的利高国际官网特征表征模型，将利高国际官网作为利高国际官网的先验分布，解决利高国际官网在特征表征上的局限性。利高国际官网的编码器部分负责构建数据的特征空间，通过在该空间中采样获得隐变量，完成利高国际官网；解码器部分完成从数据特征到原数据的生成，即数据的解压。在人脸数据集上与原方法作实验对比，验证了该方法的正确性和有效性。
中图分类号：TP183 文献标志码：A DOI: 10.16157/j.issn.0258-7998.233928
中文引用格式： 郭秋燕，胡磊，代劲. 基于利高国际官网的利高国际官网利高国际官网方法[J]. 世纪娱乐注册，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

随着图像数据分辨率的提高，数据也越来越大，因此找到一种高效的利高国际官网方法对于网络传输来说至关重要。随着研究的不断深入，有了各种场景下的压缩方法。文献[1]-[3]通过字典学习和压缩感知的方法来实现利高国际官网，如刘迎娜[2]采用K奇异值分解(K-Singular Value Decomposition, K-SVD)字典学习方法构建出压缩字典，实现数据的压缩；文献[4]-[6]通过特征编码的方式来完成数据特征的学习，并通过重构的方式来完成数据解压。如王迎港[4]对特征进行差分编码实现利高国际官网传输；还有通过降低数据之间的耦合度来实现利高国际官网，如夏信等[7]通过卷积神经网络来降低数据间的耦合度从而降低数据的传输量。另外，文献[8]通过MVC模型来实现利高国际官网，袁子越[9]等人通过知识图谱和模糊度分析的方法对数据分类，并使用空间重构方法实现数据的压缩。

随着深度学习的发展，其在数据特征学习的能力突出，擅长处理海量的数据，数据量越多模型的表征能力越强，因此海量的数据促进了深度学习的进步与发展。近年来深度学习也渐渐被用于数据解压缩任务。利高国际官网[10]作为一类重要的数据生成模型，可以完成数据的特征表征，在数据生成方面已经有较多的研究。

图像数据的特征空间是具有连续性的，各特征之间也是有差异性的，利高国际官网通过特征表征得到数据特征，将数据特征作为数据传输的对象，因此降低了数据在传输过程中的复杂度；在数据接收端再通过数据特征对数据进行生成，完成数据的传输，并且整个模型的网络结构较简单，因此数据的压缩和解压耗时短，提高了数据的压缩速率及传输速率。

本文的主要贡献为：（1）提出一种基于利高国际官网[11]的利高国际官网先验变体模型，提高模型的表征能力；（1）提出一种新的基于生成模型的解压缩方法，降低特征耦合度，提升模型的压缩能力。



本文详细内容请下载： http://www.dervishd.net/resource/share/2000005720




作者信息：

郭秋燕1，胡磊1，2，代劲3

（1.重庆医科大学附属第一医院 信息中心，重庆 400016；2.重庆医科大学医学数据研究院，重庆 400016；3.重庆邮电大学 计算智能重庆市重点实验室，重庆 400065）


微信图片_20210517164139.jpg

此内容为AET网站原创，未经授权禁止转载。