Archives de catégorie : Deep learning

Deep learning, Publication, Recherche

[:fr]Poster MMSP 2018[:en]Poster MMSP 2018[:]

[:fr]Le poster sur l’évaluation de qualité des techniques de compression basées sur l’apprentissage profond – article publié à la conférence IEEE Multimedia Signal Processing 2018 : « Quality assessment of deep-learning based image compression »

 

[slideshare id=132238942&doc=postermmsp2018web-190218143634&type=d][:en] »Quality assessment of deep-learning based image compression »

 

[slideshare id=132238942&doc=postermmsp2018web-190218143634&type=d][:it] »Quality assessment of deep-learning based image compression »

 

[slideshare id=132238942&doc=postermmsp2018web-190218143634&type=d][:]

Compression, Deep learning, Publication

[:fr]Article accepté – MMSP[:en]Article accepted – MMSP 2018[:it]Articolo accettato – MMSP 2018[:]

[:fr]Notre article sur l’estimation de la qualité des images compressées avec les techniques basées sur l’apprentissage profond a été accepté dans la conférence IEEE Multimedia Signal Processing 2018 (MMSP) [1].

Dans cet article nous utilisons 2 parmi les plus récentes méthodes de compression basées sur le DL, développées respectivement par Ballé et al. [2] et par Toderici et al. [3]. Les images compressés avec ces méthodes ont été évaluées par un panel d’une vingtaine de personnes. Nous avons également considéré des images compressées avec des techniques « classiques » (HEVC-INTRA (BPG) et  JPEG2000).  Nous avons trouvé que la qualité subjective est souvent meilleure que JPEG2000, et en tout cas très proche. Par contre BPG a encore des meilleurs résultats en moyenne, même si sur certaines images la méthode [3] est la meilleure.

RDV sur [1] pour plus de détails! (Le PDF de cet article sera prochainement disponible).

[1] G. Valenzise, A. Purica, V. Hulusic, M. Cagnazzo. « Quality Assessment of Deep-Learning-Based Image Compression ». To appear in IEEE Multimedia Signal Processing Workshop, 2018.

[2] J. Ballé, V. Laparra, and E. P. Simoncelli, “End-to-end optimized image compression,” in Int. Conf. on Learning Representations (ICLR), Toulon, France, Apr. 2017.

[3] G. Toderici, D. Vincent, N. Johnston, S. J. Hwang, D. Minnen, J. Shor, and M. Covell, “Full resolution image compression with recurrent neural networks,” in IEEE Int. Conf. on Computer Vision and Pattern Recognition (CVPR), Honolulu, Hawaii, USA, Jul. 2017, pp. 5435–5443.[:en]

Our article on  quality assessment of compressed images with deep learning techniques has been accepted in the IEEE Multimedia Signal Processing 2018 (MMSP) conference [1].

In this article we use two of the most recent compression methods based on DL, developed respectively by Ballé et al. [2] and by Toderici et al. [3]. The images compressed with these methods were evaluated by a panel of around twenty people. We also considered images compressed with « classical » techniques (HEVC-INTRA (BPG) and JPEG2000). We found that the subjective quality is often better than JPEG2000, and in any case very close. On the other hand, BPG still has better results on average, even if on certain images the method [3] is the best one.

RDV on [1] for more details! (The PDF of this article will be available soon).

[1] G. Valenzise, ​​A. Purica, V. Hulusic, M. Cagnazzo. « Quality Assessment of Deep-Learning-Based Image Compression ». To appear in IEEE Multimedia Signal Processing Workshop, 2018.

[2] J. Ballé, V. Laparra, and E. P. Simoncelli, « End-to-end optimized image compression, » in Int. Conf. on Learning Representations (ICLR), Toulon, France, Apr. 2017.

[3] Toderici G., Vincent D., Johnston N., Hwang S., Minnen D, Shor J., Covell M., « Full resolution image compression with recurrent neural networks, » in IEEE Int. Conf. on Computer Vision and Pattern Recognition (CVPR), Honolulu, Hawaii, USA, Jul. 2017, pp. 5435-5443.

[:it]Il nostro articolo sulla stima della qualità delle immagini compresse con tecniche di deep learning è stato accettato nella conferenza IEEE Multimedia Signal Processing 2018 (MMSP) [1].

In questo articolo utilizziamo due dei più recenti metodi di compressione basati su DL sviluppati rispettivamente da Ballé et al. [2] e di Toderici et al. [3]. Le immagini compresse con questi metodi sono state valutate da un panel di circa venti persone. Abbiamo anche considerato immagini compresse con tecniche « classiche » (HEVC-INTRA (BPG) e JPEG2000). Abbiamo riscontrato che la qualità soggettiva è spesso migliore di JPEG2000 e, in ogni caso, molto vicina ad essa. D’altra parte BPG ha ancora risultati migliori in media, anche se su determinate immagini il metodo [3] è il migliore.

RDV su [1] per maggiori dettagli! (Il PDF di questo articolo sarà presto disponibile).

[1] G. Valenzise, ​​A. Purica, V. Hulusic, M. Cagnazzo. « Valutazione della qualità della compressione dell’immagine basata sull’apprendimento profondo ». Per apparire in IEEE Multimedia Signal Workshop, 2018.

[2] J. Ballé, V. Laparra ed E. P. Simoncelli, « compressione dell’immagine ottimizzata end-to-end », in Int. Conf. sulle rappresentazioni di apprendimento (ICLR), Tolone, Francia, aprile 2017.

[3] Toderici G., Vincent D., Johnston N., Hwang S., Minnen D, Shor J., Covell M., « Compressione dell’immagine a piena risoluzione con reti neurali ricorrenti », in IEEE Int. Conf. su Computer Vision e Pattern Recognition (CVPR), Honolulu, Hawaii, USA, lug. 2017, pp. 5435-5443.[:]

Compression, Deep learning, Machine learning

[:fr]Nouveau groupe de travail sur apprentissage par ordinateur et compression[:en]Working group on machine learning for compression [:it]Gruppo di studio su machine learning e compressione[:]

[:fr]Nous avons lancé un nouveau groupe de travail sur l’utilisation des techniques d’intelligence artificielle (apprentissage par ordinateur, apprentissage profond) dans le domaine de la compression d’images et vidéo.

Ici le site: https://mlcompr.wp.imt.fr/[:en]We started a working group about using machine learning and deep learning techniques for compression problem, check it out here!

 

 [:it]Abbiamo cominciato le riunioni di un nuovo gruppo di studio e ricerca sulle applicazioni di machine learning e deep learning in compression, qui il sito del gruppo.

 

 [:]