Sensing comprimé est idéal pour les situations où la capture de données est chère (en énergie ou en temps) . Cela fonctionne en prenant un plus petit nombre d'échantillons et en utilisant une programmation linéaire ou convexe pour reconstruire le signal de référence d'origine à l'écart du capteur.
Cependant, dans des situations telles que la compression d'image, étant donné que les données sont déjà sur l'ordinateur - la détection compressée offre-t-elle n'importe quoi? Par exemple, offrirait-il une meilleure compression de données? Cela entraînerait-il une meilleure recherche d'image? ...
5 Réponses :
Puisque tout le point de détection comprimé consiste à éviter de prendre des mesures, ce qui, comme vous le dites, peut être coûteux à prendre, il ne devrait pas surprendre que le ratio de compression soit pire que si la mise en œuvre de la compression est autorisée à faire Toutes les mesures qu'il souhaite, et Cherry Choisissez celles qui génèrent le meilleur résultat.
En tant que tel, je doute vivement qu'une implémentation utilise la détection compressée pour les données déjà présentes (en effet, ayant déjà toutes les mesures), va produire de meilleurs rapports de compression que le résultat optimal.
Maintenant, après avoir dit que, la détection comprimée consiste également à cueillir un sous-ensemble des mesures qui reproduiront un résultat similaire à l'original lorsqu'il est décompressé, mais peut manquer de certains détails, simplement parce que vous choisissez ce sous-ensemble . En tant que tel, il se peut également que vous puissiez en effet produire de meilleurs ratios de compression que le résultat optimal, au détriment d'une perte de détail plus grande. Que ce soit mieux que, disons, un algorithme de compression JPEG où vous ressentez simplement plus de coefficients, je ne sais pas.
Aussi, si, par exemple, une implémentation de compression d'image utilisant la détection comprimée peut réduire le temps nécessaire pour compresser l'image à partir des données bitmap brutes, cela pourrait lui donner une traction dans des scénarios où le temps utilisé est un facteur coûteux, Mais le niveau de détail n'est pas. Par exemple.
Essentiellement, si vous devez négocier la vitesse de la qualité des résultats, une implémentation de détection compressée pourrait mérite d'être examinée. Je n'ai pas encore vu l'utilisation généralisée de cela si quelque chose me dit que cela ne va pas en valoir la peine, mais je pourrais me tromper.
Je ne sais pas pourquoi vous apportez la recherche d'images, je ne vois pas comment l'algorithme de compression peut vous aider sur la recherche d'image, à moins que vous n'utilisez d'une manière d'une manière ou d'une autre, utilisez les données compressées pour rechercher des images. Cela ne fera probablement pas ce que vous voulez, lié à la recherche d'images, comme vous recherchez très souvent des images contenant certains modèles visuels, mais ne sont pas 100% identiques.
En ce qui concerne votre question "... étant donné que les données sont déjà sur l'ordinateur - la sensation de compression offre-t-elle quelque chose? Par exemple, offrirait-il une meilleure compression de données? Cela donnerait-il une meilleure recherche d'image? ..."
En général, la réponse à votre question est non, cela ne proposerait pas une meilleure compression de données au moins initialement! C'est le cas pour les images où des systèmes non linéaires comme JPEG font mieux que la détection comprimée par une constante de 4 à 5 et provient de la constante Klog (N / K) trouvée dans diverses résultats théoriques dans différents papiers.
J'ai dit initialement parce que ce qui est à l'heure actuelle, la détection est principalement axée sur le concept de la cérémonie, mais il y a de nouveaux travaux à venir maintenant pour utiliser des informations supplémentaires telles que le fait que la décomposition d'ondelettes se présente dans des touffes qui pourraient améliorer la compression. Ce travail et d'autres sont susceptibles de fournir une amélioration supplémentaire avec peut-être la possibilité de se rapprocher de la transformation non linéaire telle que JPEG.
L'autre chose que vous devez garder à l'esprit est que JPEG est le résultat d'un effort ciblé de l'ensemble de l'industrie et de nombreuses années de recherche. Il est donc difficile de faire mieux que cela, mais la détection de compression fournit vraiment un moyen de compression d'autres jeux de données sans la nécessité des années d'expérience et de main-d'œuvre.
Enfin, il y a quelque chose d'énorme impressionnant dans la compression trouvée dans la détection de compression. C'est universel, cela signifie que vous pouvez désormais "décoder" l'image à un certain niveau de détail, puis dans dix ans, en utilisant les mêmes données que vous pourriez réellement "décoder" une meilleure image / jeu de données (ceci est avec la réserve que le Les informations étaient là en premier lieu) parce que vos solveurs seront meilleurs. Vous ne pouvez pas faire cela avec JPEG ou JPEG2000 car les données comprimées sont intrinsèquement connectées au schéma de décodage.
(Divulgation: j'écris un petit blog sur la détection comprimée)
Je trouve votre dernier paragraphe Fasicnater. Pourquoi est-ce appelé "universel"?
Comme je l'ai dit, il est universel que le schéma de codage n'est pas connecté à un schéma de décodage particulier, contrairement à JPEG / GIF / JPEG2000 ...
Un petit blog? Nuit Blanche semblerait être le blog pour lire sur CS.
L'un des avantages de la détection compressée est que le signal détecté est non seulement comprimé, mais il est crypté également. Le seul moyen d'un signal de référence peut être reconstruit à partir de son signal détecté consiste à effectuer une optimisation (programmation linéaire ou convexe) sur une estimation du signal de référence lorsqu'elle est appliquée à la base.
offre-t-il une meilleure compression de données? Cela dépend d'une application. Premièrement, cela ne fonctionnera que sur des signaux de référence clairsemés, ce qui signifie qu'il est probablement applicable uniquement à l'image, audio, à la compression de signal RF et non applicable à la compression générale des données. Dans certains cas, il peut être possible d'obtenir un meilleur ratio de compression en utilisant une détection comprimée que d'autres approches, et dans d'autres cas, ce ne sera pas le cas. Il dépend de la nature du signal ressenti.
Cela entraînerait-il une meilleure recherche d'image? J'ai peu d'hésitation répondant à ce "non". Étant donné que le signal détecté est à la fois comprimé et crypté, il n'est pratiquement aucun moyen de reconstruire le signal de référence du signal détecté sans la "touche" (fonction de base). Dans ces cas où la fonction de base est disponible, le signal de référence doit toujours être reconstruit pour effectuer tout type d'identification / de caractérisation / de caractérisalisation de l'objet, ou similaire.
Ce n'est peut-être pas la réponse exacte de votre question, mais je tiens simplement à souligner sur d'autres domaines d'application importants de CS. L'envoi de compressif peut être un excellent avantage dans les réseaux multimédia sans fil où l'accent est mis sur la ponction du nœud du capteur. Ici, le nœud du capteur doit transmettre les informations (par exemple une image prise par une caméra de survillance). S'il doit transmettre tous les échantillons, nous ne pouvons pas nous permettre d'améliorer la durée de vie du réseau. Lorsque nous utilisions la compression JPEG, cela apporte une complexité élevée sur le côté du codeur (nœud de capteur) qui est à nouveau indésirable. Donc, la détection de compression en quelque sorte HWLPS en déplaçant la complexité du côté de l'incoider au côté du décodeur. En tant que chercheur dans la région, nous réussissons à transmettre une image et une vidéo dans un canal à perte de vie avec une qualité considérable uniquement en envoyant 52% des échantillons totaux.
Compresser Sensing signifie que certaines données peuvent être reconstruites par certaines mesures. La plupart des données peuvent être transformées linéaires dans un autre espace linéaire dans lequel la plupart des Diments peuvent être ignorés.
Cela signifie donc que nous pouvons reconstruire la plupart des données de certaines primions, le "Certains" peut être un faible taux du nombre de primes Dimprimer.
C'est en fait un sujet intéressant. Je me demande si le grand nombre de votes d'avancement entraînera des personnes curieuses et d'avoir un aspect ou d'éviter la question suivante :-) Pour ceux qui aussi "désemparés" pour répondre et / ou ne veulent pas être victièrement évolué, mais toujours intéressé Voir EN.Wikipedia.org/wiki/Comprimé_sensing .
Remarque: Les notes comme celle ci-dessus rendront votre question survolée victiculée. Sans argent posté comme un commentaire (qui ne peut pas être évité).
Cela devrait probablement être une question CW, car je me sens en quelque sorte comme la question de toute la question se termine par la ligne "Discutez".
J'ai essayé de modifier cela pour être un peu moins, er, "vicieux" tout en gardant clairement qu'il s'agit d'un sujet spécialisé et que vous ne voulez que des réponses de personnes compétentes. N'hésitez pas à rouler si vous sentez que je suis allé trop loin.
@Lasse: marqué comme wiki communautaire