<  Back to the Polytechnique Montréal portal

Learned Image Compression for Machine Visual Perception

Jean-Gabriel Simard

Masters thesis (2021)

[img] Terms of Use: All rights reserved.
Restricted to: Repository staff only until 14 July 2022.
Cite this document: Simard, J.-G. (2021). Learned Image Compression for Machine Visual Perception (Masters thesis, Polytechnique Montréal). Retrieved from https://publications.polymtl.ca/6579/
Show abstract Hide abstract

Abstract

RÉSUMÉ : Dans cette thèse, nous explorons la compression d’image avec des techniques d’apprentissage profond. Nous proposons une méthode simple pour apprendre une représentation compress- ible d’image naturelle qui est structurée de façon à faciliter les tâches de vison par ordina- teur que sont la classification, la détection, la segmentation sémantique et la reconstruction d’image. Nous testons l’utilisation d’un espace de représentations compressible comme seule donnée disponible pour accomplir ces différentes tâches. Nous procédons aux mêmes ex- périences à plusieurs taux de compression pour constater l’effet de la compressibilité sur la performance dans les différentes tâches.Nous désirons obtenir des performances de compression supérieures au codec de compression d’image JPEG tout en obtenant des performances supérieures ou égales dans les différentes tâches quand la représentation compressible est utilisée comme seule source d’information pour les différentes tâches.----------ABSTRACT : In this thesis, we explore image compression using techniques from deep learning. We propose a simple method to learn a compressible representation of natural images that is structured so as to facilitate the following computer vision tasks : classification, objection detection, semantic segmentation and image reconstruction. We test the use of a compressible repre- sentation as the only input to those tasks. We perform these tasks at different compression ratios to explore the effect of compressibility on performance in the different tasks.

Open Access document in PolyPublie
Department: Département de génie informatique et génie logiciel
Academic/Research Directors: Christopher J. Pal
Date Deposited: 14 Jul 2021 13:32
Last Modified: 14 Jul 2021 13:32
PolyPublie URL: https://publications.polymtl.ca/6579/

Statistics

Total downloads

Downloads per month in the last year

Origin of downloads

Repository Staff Only