论文笔记 - 1. 数据压缩格式对于神经网络的影响

Posted 2021-04-26 ABC to Future

论文：Study of the Impact of Standard Image Compression Techniques on Performance of Image Classification with a Convolutional Neural Network

摘要

• 利用训练好的卷积神经网络，面对采用了不同压缩因子压缩的数据（jpeg, jpeg2000, HEVC），依然能够正确分类。

• 该论文还展示了卷积神经网络在训练过程中，也学习到了jepg的压缩失真。

• 该论文分析了三种压缩参数，color space/resolution/quantization parameter(qp)。并得到结论，color space对网络的正确分类具有至关重要的作用，并对图像下采样有很强的适应力。

• 该论文分析了两个客观指标在说明与CNN分类性能的关系，PSNR和SSIM。其中SSIM更适合衡量CNN分类性能，或者说两者具有更紧密的关系。

背景介绍

1. 该方法制作了不用压缩率下（图像质量下降不同程度）的数据集

2. 利用训练好的神经网络对这些数据进行分类

3. 分析这些数据对于网络性能的影响，找寻数据压缩和网络性能的最佳结合点。

图像压缩格式

1. JPEG

2. JPEG2000

3. BPG

实验分析

评价指标

rank difference: The rank difference is obtained by computing the difference between the rank of the true class of an image in the classification results of the original and the compressed image.通过计算两者分类结果排序的不相似程度得到的。

PSNR: (Peak Signal-to-Noise Ratio) 峰值信噪比

SSIM: (Structural SIMilarity) 结构相似性, 这两个指标计算可以参考这个网页

结果分析

图4的重要性不言而喻，大部分结论，都是从这张图中得出的。

文后想法

这篇文章研究的出发点是和我现在的图像数据压缩格式对于网络性能的影响很相像的，但是做法却是从不同的角度的展开。最大的不同，他是利用已训练好的CNN去分析数据压缩格式的影响。这就得有个前提，如果训练CNN的数据本身也是不同压缩格式下的数据，这个实验变量是否对本篇实验结果产生影响，其实很需要商讨的。