VARIABLE RATE IMAGE COMPRESSION WITH RECURRENT NEURAL NETWORKS代码复现

VIP文章 已于 2022-09-28 18:57:37 修改
阅读量1.1k 收藏 3
点赞数
分类专栏： 文献代码复现 pytorch 图像压缩 文章标签： 深度学习 人工智能
于 2022-05-09 16:29:15 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_47146037/article/details/124669103
版权

首先上github地址github地址
然后基于rnn的理解
这里依旧记录一下复现过程中遇到的问题

1、安装pytorch环境

这一步先跳过了，可以参考之前的文章安装pytorch环境，如果在服务器安装记得选择linux环境

2、安装缺少的包

pip install pyyaml
pip install tb-nightly
pip install colored

3、训练使用绝对路径

github中给出的训练命令是
在这里插入图片描述
但实际过程中我调试出现了路径不存在的问题，我将其改为了绝对路径

4、数据集下载

数据集由来自YouTube-8M 数据集的 720p 图像组成，这里csdn不让上传1000M以上的，大家自己下载吧

最低0.47元/天 解锁文章
小夭。
关注
  • 0
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
深度学习-卷积神经网络池化到图像压缩解压的假想
chenkexi_shuai的博客
01-28 3171
这是博主的第二篇博文，经验非常有限，所以写的水平很低，下面是我学习卷积神经网络中的一些见解。本人未学习到机器视觉与图像有关的任何知识，只是从池化中假想到一种图片压缩方法。如果假想中的图像内容与知识正确，那么将无比幸运。本文除了两幅图片摘抄，其余都是原创，由于属于假想，未经过证实，不得转载。 好了，废话不多说。我们从池化中开始讲， 池化层：对输入的特征图进行压缩，一方面使特征图变小，简化网络
Recurrent Neural Networks 简述
yujianmin1990的专栏
07-29 4954
前言 RNN是序列数据处理时匹配度最好的模型，现在对当前几个重要的RNN模型做个简单梳理。 RNN RNN: Recurrent Neural Network，循环神经网络。我想，当XX当年把RNN结构构造出来时，一定是佩服自己的想象力的。RNN具有天然的时间深度，并且对任意的序列数据场景具有适应性，即当样本间具有相关性时非常适合用RNN来解决。而Forward Network则普遍假设...
基于RNN的可变速率图像压缩
qq_45033722的博客
03-11 1467
概要 ​ 该文提出了一个可变速率图像压缩的通用框架和一种基于卷积和反卷积LSTM递归网络的新架构。（不需要针对每个速率单独进行训练） 1. Variable Rate Compression Architecture Encoder: function E. 以一个图像补丁作为输入，并生成一个编码后的vector（encoded representation） Binaryization: function B. 由一个二值化函数B来处理编码后的vector Decoder: fuction D.
NeuralRecon:代码为“ NeuralRecon
04-02
NeuralRecon：单目视频的实时相干3D重建 | NeuralRecon：单目视频的实时相干3D重建*，*， ，，CVPR 2021（口头报告） 代码发布ETA 我们计划在一个月内发布代码，敬请期待。 如果您希望收到代码发布的通知，请订阅。 同时，在中欢迎对该文件进行。 引文 如果您发现此代码对您的研究有用，请使用以下BibTeX条目。 @article{sun2021neucon, title={{NeuralRecon}: Real-Time Coherent {3D} Reconstruction from Monocular Video}, author={Sun, Jiaming and Xie, Yiming and Chen, Linghao and Zhou, Xiaowei and Bao, Hujun}, journal={CVPR}, yea
image-compression-with-coding.rar_image compression
07-15
matlab code for image compression with a coding tehcnique
Image-Compression.rar_image compression
07-14
This code is designed for image compression in matlab.
Lossless image compression using Matlab_imagecompression_imageco
10-01
在matlab下实现图像无损压缩算法，提高图像压缩比
RNN在图像压缩领域的应用-Variable rate image compression with recurrent neural networks
Reflect2021
11-22 1003
RNN在图像压缩领域的应用-Variable rate image compression with recurrent neural networks
2021 Image Compression with Recurrent Neural Network and Generalized Divisive Normalization
qq_45033722的博客
04-05 3992
概要 该文提出了两种有效的新编解码块：采用卷积层和Generalized Divisive Normalization(GDN)的分析(analysis)和合成块(synthesis)。该文的网络利用pixel RNN方法进行量化。此外，为了改进整个网络，我们使用LSTM细胞对残差图像进行编码，以减少不必要的信息。 1. 网络结构 下图给出了两块图像压缩的总体体系结构： 每个输入（image patch）首先被传递到分析（analysis）编码器块，以丰富图像表示。类似地，合成（synthesis）-解码
图像视频压缩：深度学习，有一套
华为云官方博客
03-23 2618
摘要：得益于深度神经网络提取信源特征的能力，深度学习技术在信源压缩编码领域取得了比传统方法更 本文分享自华为云社区《基于深度学习的图像视频压缩编码》，原文作者：罗鹏。 得益于深度神经网络提取信源特征的能力，深度学习技术在信源压缩编码领域取得了比传统方法更优异的效果。 基于深度学习的图像压缩编码 自编码器 Ballé1 提出了一种基于变分自编码器的端到端图像压缩模型，采用结合边信息（side information）的超先验的方案。 模型如下图所示。 Q 表示量化；AE 和 AD 分别表示算术
RECURRENT NEURAL NETWORKS FOR PREDICTION
03-30
新技术在工程，物理和生物医学的要求日益复杂的数字信号处理的方法。通过展示最新的研究工作中，作者展示了如何真正的 - 递归神经的网络（RNNs）可以实现扩大范围的传统的信号处理技术，并帮助解决这个问题的预测。在这个文本中，被认为是神经网络的大型互联非线性自适应滤波器。
Pattern Recognition with Neural Networks in C++
10-06
Preface Acknowledgment Chapter 1—Introduction 1.1 Pattern Recognition Systems 1.2 Motivation For Artificial Neural Network Approach 1.3 A Prelude To Pattern Recognition 1.4 Statistical Pattern Recognition 1.5 Syntactic Pattern Recognition 1.6 The Character Recognition Problem 1.7 Organization Of Topics References And Bibliography Chapter 2—Neural Networks: An Overview 2.1 Motivation for Overviewing Biological Neural Networks 2.2 Background 2.3 Biological Neural Networks 2.4 Hierarchical Organization in the Brain 2.5 Historical Background 2.6 Artificial Neural Networks References and Bibliography Chapter 3—Preprocessing 3.1 General 3.2 Dealing with Input from a Scanned Image 3.3 Image Compression 3.3.1 Image Compression Example 3.4 Edge Detection 3.5 Skeletonizing 3.5.1 Thinning Example 3.6 Dealing with Input From a Tablet 3.7 Segmentation References and Bibliography Chapter 4—Feed-Forward Networks with Supervised Learning 4.1 Feed-Forward Multilayer Perceptron (FFMLP) Architecture 4.2 FFMLP in C++ 4.3 Training with Back Propagation 4.3.1 Back Propagation in C++ 4.4 A Primitive Example 4.5 Training Strategies and Avoiding Local Minima 4.6 Variations on Gradient Descent 4.6.1 Block Adaptive vs. Data Adaptive Gradient Descent 4.6.2 First-Order vs. Second-Order Gradient Descent 4.7 Topology 4.8 ACON vs. OCON 4.9 Overtraining and Generalization 4.10 Training Set Size and Network Size 4.11 Conjugate Gradient Method 4.12 ALOPEX References and Bibliography Chapter 5—Some Other Types of Neural Networks 5.1 General 5.2 Radial Basis Function Networks 5.2.1 Network Architecture 5.2.2 RBF Training 5.2.3 Applications of RBF Networks 5.3 Higher Order Neural Networks 5.3.1 Introduction 5.3.2 Architecture 5.3.3 Invariance to Geometric Transformations 5.3.4 An Example 5.3.5 Practical Applications References and Bibliography Chapter 6—Feature Extraction I: Geometric Features and Transformations 6.1 General 6.2 Geometric Features (Loops, Intersections, and Endpoints) 6.2.1 Intersections and Endpoints 6.2.2 Loops 6.3 Feature Maps 6.4 A Network Example Using Geometric Features 6.5 Feature Extraction Using Transformations 6.6 Fourier Descriptors 6.7 Gabor Transformations and Wavelets References And Bibliography Chapter 7—Feature Extraction II: Principal Component Analysis 7.1 Dimensionality Reduction 7.2 Principal Components 7.2.1 PCA Example 7.3 Karhunen-Loeve (K-L) Transformation 7.3.1 K-L Transformation Example 7.4 Principal Component Neural Networks 7.5 Applications References and Bibliography Chapter 8—Kohonen Networks and Learning Vector Quantization 8.1 General 8.2 The K-Means Algorithm 8.2.1 K-Means Example 8.3 An Introduction To The Kohonen Model 8.3.1 Kohonen Example 8.4 The Role Of Lateral Feedback 8.5 Kohonen Self-Organizing Feature Map 8.5.1 SOFM Example 8.6 Learning Vector Quantization 8.6.1 LVQ Example 8.7 Variations On LVQ 8.7.1 LVQ2 8.7.2 LVQ2.1 8.7.3 LVQ3 8.7.4 A Final Variation Of LVQ References And Bibliography Chapter 9—Neural Associative Memories and Hopfield Networks 9.1 General 9.2 Linear Associative Memory (LAM) 9.2.1 An Autoassociative LAM Example 9.3 Hopfield Networks 9.4 A Hopfield Example 9.5 Discussion 9.6 Bit Map Example 9.7 Bam Networks 9.8 A Bam Example References And Bibliography Chapter 10—Adaptive Resonance Theory (ART) 10.1 General 10.2 Discovering The Cluster Structure 10.3 Vector Quantization 10.3.1 VQ Example 1 10.3.2 VQ Example 2 10.3.3 VQ Example 3 10.4 Art Philosophy 10.5 The Stability-Plasticity Dilemma 10.6 ART1: Basic Operation 10.7 ART1: Algorithm 10.8 The Gain Control Mechanism 10.8.1 Gain Ccontrol Example 1 10.8.2 Gain Control Example 2 10.9 ART2 Model 10.10 Discussion 10.11 Applications References and Bibliography Chapter 11—Neocognitron 11.1 Introduction 11.2 Architecture 11.3 Example of a System with Sample Training Patterns References and Bibliography Chapter 12—Systems with Multiple Classifiers 12.1 General 12.2 A Framework for Combining Multiple Recognizers 12.3 Voting Schemes 12.4 The Confusion Matrix 12.5 Reliability 12.6 Some Empirical Approaches References and Bibliography Index
Recurrent neural network (RNN)
weixin_44593531的博客
03-25 314
What is the Recurrent Neural Network? Defination A recurrent neural network (RNN) is a class of artificial neural network where connections between nodes form a directed graph along a temporal sequence. The sturcture of RNN A recurrent neural network compr
rnnlm源码分析(四)
天道酬勤，做一个务实的理想主义者
03-31 3538
系列前言 参考文献： RNNLM - Recurrent Neural Network  Language Modeling Toolkit(点此阅读)Recurrent neural network based language model(点此阅读)EXTENSIONS OF RECURRENT NEURAL NETWORK LANGUAGE MODEL(点此阅读)Strategi
Real-Time Adaptive Image Compression解读
欢迎来到打不死的小强的专栏
09-30 2188
FROM Real-Time Adaptive Image Compression WaveOne, Inc. Paper PDF Image compression is an important step towards our long-term goals at WaveOne. We are excited to share some early results of our resea...
深度学习论文汇总（2018.2.4更新）
深度的魅力
03-15 962
好记性不如烂笔头，一直以来都只有写书面学习笔记的习惯，从来没写过博客。如今很荣幸地加入了浙江大学学生人工智能协会，立志在跟随优秀的老师和学长学姐学习AI领域相关技术的同时也为协会的运营和发展贡献力量。9月份入学以来，因为科研需要加上个人浓烈的兴趣，一直坚持着学习机器学习、深度学习相关的知识。如今，我还负责分管协会深度学习论文归档这块的...
[资源贴]ICLR2016 下载地址
波大菜菜
03-13 3006
Accepted Papers (Conference Track) Multi-Scale Context Aggregation by Dilated Convolutions Fisher Yu, Vladlen Koltun The Variational Fair Autoencoder Christos Louizos, Kevin Swersky, Yujia Li, Max
深度学习配置环境AllInOne
最新发布
周陽讀書
04-19 1068
总结深度学校ubuntu环境配置。
Non-local Neural Networks的tensorflow2代码
05-25
Non-local Neural Networks (NLNet) 是一个用于图像和视频处理的深度学习模型，它在处理长距离的空间关系时表现出色。下面是一个使用 TensorFlow 2 实现的 NLNet 模型的示例代码： ```python import tensorflow as ...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值