Core Concepts
Durch den Einsatz von LDPC-Codes für die Entropiekodierung können Tiefenlernmodelle die interne Codestruktur effizienter ausnutzen, um Bilder direkt aus den LDPC-Syndromen zu klassifizieren, ohne dass eine Dekompression erforderlich ist.
Abstract
In dieser Studie wird ein alternativer Ansatz zur Entropiekodierung von JPEG-komprimierten Bildern untersucht, bei dem anstelle von Huffman- oder Arithmetikkodierung LDPC-Codes verwendet werden. Die Autoren argumentieren, dass die inhärente Struktur der LDPC-Codes von Tiefenlernmodellen, insbesondere rekurrenten neuronalen Netzen wie GRUs, effizienter genutzt werden kann, um Bilder direkt aus den LDPC-Syndromen zu klassifizieren, ohne dass eine vorherige Dekompression erforderlich ist.
Die Ergebnisse zeigen, dass die Klassifizierung basierend auf LDPC-codierten Bitebenen die Genauigkeit von Huffman- und Arithmetikkodierung übertrifft, während gleichzeitig deutlich kleinere Lernmodelle benötigt werden. Dies demonstriert die Effizienz der Klassifizierung direkt aus LDPC-codierten Daten, wodurch der Bedarf an jeglicher Form der Dekompression, selbst einer teilweisen, vor der Anwendung des Lernmodells entfällt.
Darüber hinaus zeigt der Ansatz, der JPEG-ähnliche Kompression mit LDPC-Codierung kombiniert, eine weitere Verbesserung der Klassifizierungsgenauigkeit im Vergleich zum reinen LDPC-Ansatz. Dies deutet auf einen synergistischen Effekt zwischen der DCT-Transformation, der Quantisierung und der LDPC-Codierung hin.
Stats
Die Kompressionsrate kann je nach Anzahl der verwendeten Bitebenen zwischen 0,5 und 4 Bit pro Pixel liegen.
Quotes
"Durch den Einsatz von LDPC-Codes für die Entropiekodierung können Tiefenlernmodelle die interne Codestruktur effizienter ausnutzen, um Bilder direkt aus den LDPC-Syndromen zu klassifizieren, ohne dass eine Dekompression erforderlich ist."
"Der Ansatz, der JPEG-ähnliche Kompression mit LDPC-Codierung kombiniert, zeigt eine weitere Verbesserung der Klassifizierungsgenauigkeit im Vergleich zum reinen LDPC-Ansatz."