基于深度学习的图像压缩方法研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-18页 |
| 1.1 课题的研究目的和意义 | 第9-11页 |
| 1.1.1 图像压缩的必要性 | 第9-10页 |
| 1.1.2 深度学习在图像处理方面的潜力 | 第10-11页 |
| 1.2 国内外研究背景及现状 | 第11-17页 |
| 1.2.1 传统图像压缩技术的发展 | 第11-14页 |
| 1.2.2 深度学习的发展 | 第14-15页 |
| 1.2.3 图像压缩与深度学习的结合 | 第15-17页 |
| 1.3 论文内容及结构 | 第17-18页 |
| 第2章 图像压缩及深度学习理论基础 | 第18-28页 |
| 2.1 图像信息理论 | 第18-20页 |
| 2.1.1 图像的信息量 | 第18-19页 |
| 2.1.2 图像信息的频域统计特性 | 第19-20页 |
| 2.2 图像压缩理论基础 | 第20-24页 |
| 2.2.1 DCT变换 | 第20-22页 |
| 2.2.2 量化 | 第22-23页 |
| 2.2.3 熵编码 | 第23页 |
| 2.2.4 图像质量评价方法 | 第23-24页 |
| 2.3 深度学习理论基础 | 第24-27页 |
| 2.3.1 神经网络的反向传播过程 | 第24-25页 |
| 2.3.2 深度学习的基础模型 | 第25-26页 |
| 2.3.3 卷积神经网络 | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第3章 基于卷积神经网络的图像压缩技术 | 第28-48页 |
| 3.1 卷积神经网络 | 第28-31页 |
| 3.1.1 卷积层参数 | 第29-30页 |
| 3.1.2 多层卷积的感受野 | 第30-31页 |
| 3.2 基于卷积神经网络的自编码器 | 第31-41页 |
| 3.2.1 自编码器 | 第31页 |
| 3.2.2 网络结构 | 第31-33页 |
| 3.2.3 网络结构实现细节 | 第33-36页 |
| 3.2.4 数据集预处理 | 第36-37页 |
| 3.2.5 实验结果与分析 | 第37-41页 |
| 3.3 基于卷积神经网络和JPEG结合的压缩框架 | 第41-46页 |
| 3.3.1 网络结构 | 第42-43页 |
| 3.3.2 实现细节 | 第43-44页 |
| 3.3.3 实验结果与分析 | 第44-46页 |
| 3.4 本章小结 | 第46-48页 |
| 第4章 面向手势分类问题的图像压缩技术 | 第48-56页 |
| 4.1 面向手势分类问题的图像压缩框架 | 第48-50页 |
| 4.1.1 网络整体结构 | 第48-49页 |
| 4.1.2 分类网络的设计 | 第49-50页 |
| 4.2 压缩网络和分类网络的联合训练方式 | 第50-53页 |
| 4.2.1 有监督的交替训练 | 第50-51页 |
| 4.2.2 有监督的串联训练 | 第51页 |
| 4.2.3 无监督的对抗网络训练 | 第51-53页 |
| 4.3 实验结果与分析 | 第53-55页 |
| 4.4 本章小结 | 第55-56页 |
| 结论 | 第56-58页 |
| 参考文献 | 第58-63页 |
| 攻读学位期间发表的论文及研究成果 | 第63-65页 |
| 致谢 | 第65页 |
