Enhanced quantization-aware training of learned image compression models
저자
발행사항
[Seoul] : Graduate School, Yonsei University, 2023
학위논문사항
학위논문(석사) -- Graduate School, Yonsei University SchoolofIntegratedTechnology 2023.2
발행연도
2023
작성언어
영어
주제어
발행국(도시)
서울
기타서명
학습된 이미지 압축 모델의 양자화 인식 훈련의 개선방법에 관한 연구
형태사항
vii, 31장 : 삽화(주로천연색) ; 26 cm
일반주기명
지도교수: Jong-Seok Lee
UCI식별코드
I804:11046-000000545986
소장기관
학습된 이미지 압축(Learned Image Compression)은 전통적인 이미지 압축 방법과 견줄만한 높은 성능을 보여주고 있다. 그러나 학습된 이미지 압축의 큰 용량과 자원 소모는 모바일 기기 등에서의 실제 사용을 제한하고 있다. 최근에 제안된 효율적인 학습된 이미지 압축을 위한 방법론은 주로 자동 회귀 모듈에만 초점을 맞추고 있지만, 자원이 제한된 환경에서 학습된 이미지 압축을 사용하려면 전체 모델 복잡성을 줄이는 것이 필수적이다. 네트워크 양자화(Network Quantization)는 이렇게 전체적인 네트워크 복잡성과 계산 비용을 줄이기 위한 효과적인 방법이나, 학습된 이미지 압축 모델의 양자화는 적절하게 다루어지지 않았다.
본 논문에서는 먼저 여러 학습된 이미지 압축 모델에서 기존의 최첨단 네트워크 양자화 방법을 평가하여 어떤 양자화 방법이 학습된 이미지 압축과 잘 호환되는지, 또 어떤 학습된 이미지 압축 모델이 양자화와 잘 호환되는지 알아본다. 또한 학습된 이미지 압축 모델을 양자화할 때 비트 폭의 변화의 영향을 조사한다. 둘째, 학습된 이미지 압축의 효과적인 양자화 인식 훈련을 위한 제곱 양자화 오류 손실(Squared Quantization Error Loss)과 Leaky-Clip 역전파 함수를 제안한다. 우리의 방법을 사용한 학습된 이미지 압축의 양자화 인식 훈련은 추가 계산 비용 없이 더 높은 속도 왜곡 성능을 달성한다.
이 논문의 결과는 네트워크 양자화가 자원이 제한된 환경에 학습된 이미지 압축을 제공하는 합리적이고 효율적인 접근법임을 보여준다.
Learned image compression (LIC) methods have shown remarkable coding performance. However, the large network burden of LIC limits practical usage, especially on edge devices. Recently presented methods for the efficient LIC mainly focus on the auto-regressive module, but reducing the entire model complexity is essential for deploying LIC in resource-constrained environments. Network quantization is an effective way to reduce the overall network complexity and computational cost. However, the quantization of LIC has not been addressed adequately.
In this thesis, firstly, we evaluate existing state-of-the-art network quantization methods on several LIC models, to find out which quantization methods are compatible with LIC and which LIC models are compatible with quantization. We also investigate the effect of the variate bit-width of LIC quantization. Secondly, we propose the squared quantization error loss (SQEL) and Leaky-Clip backward function for effective quantization-aware training of LIC. Quantization-aware training of LIC models with our methods achieves higher rate-distortion performance without additional computational cost.
The results of this paper show that network quantization is a reasonable and efficient approach to providing LIC in resource-limited environments.
분석정보
서지정보 내보내기(Export)
닫기소장기관 정보
닫기권호소장정보
닫기오류접수
닫기오류 접수 확인
닫기음성서비스 신청
닫기음성서비스 신청 확인
닫기이용약관
닫기학술연구정보서비스 이용약관 (2017년 1월 1일 ~ 현재 적용)
학술연구정보서비스(이하 RISS)는 정보주체의 자유와 권리 보호를 위해 「개인정보 보호법」 및 관계 법령이 정한 바를 준수하여, 적법하게 개인정보를 처리하고 안전하게 관리하고 있습니다. 이에 「개인정보 보호법」 제30조에 따라 정보주체에게 개인정보 처리에 관한 절차 및 기준을 안내하고, 이와 관련한 고충을 신속하고 원활하게 처리할 수 있도록 하기 위하여 다음과 같이 개인정보 처리방침을 수립·공개합니다.
주요 개인정보 처리 표시(라벨링)
목 차
3년
또는 회원탈퇴시까지5년
(「전자상거래 등에서의 소비자보호에 관한3년
(「전자상거래 등에서의 소비자보호에 관한2년
이상(개인정보보호위원회 : 개인정보의 안전성 확보조치 기준)개인정보파일의 명칭 | 운영근거 / 처리목적 | 개인정보파일에 기록되는 개인정보의 항목 | 보유기간 | |
---|---|---|---|---|
학술연구정보서비스 이용자 가입정보 파일 | 한국교육학술정보원법 | 필수 | ID, 비밀번호, 성명, 생년월일, 신분(직업구분), 이메일, 소속분야, 웹진메일 수신동의 여부 | 3년 또는 탈퇴시 |
선택 | 소속기관명, 소속도서관명, 학과/부서명, 학번/직원번호, 휴대전화, 주소 |
구분 | 담당자 | 연락처 |
---|---|---|
KERIS 개인정보 보호책임자 | 정보보호본부 김태우 | - 이메일 : lsy@keris.or.kr - 전화번호 : 053-714-0439 - 팩스번호 : 053-714-0195 |
KERIS 개인정보 보호담당자 | 개인정보보호부 이상엽 | |
RISS 개인정보 보호책임자 | 대학학술본부 장금연 | - 이메일 : giltizen@keris.or.kr - 전화번호 : 053-714-0149 - 팩스번호 : 053-714-0194 |
RISS 개인정보 보호담당자 | 학술진흥부 길원진 |
자동로그아웃 안내
닫기인증오류 안내
닫기귀하께서는 휴면계정 전환 후 1년동안 회원정보 수집 및 이용에 대한
재동의를 하지 않으신 관계로 개인정보가 삭제되었습니다.
(참조 : RISS 이용약관 및 개인정보처리방침)
신규회원으로 가입하여 이용 부탁 드리며, 추가 문의는 고객센터로 연락 바랍니다.
- 기존 아이디 재사용 불가
휴면계정 안내
RISS는 [표준개인정보 보호지침]에 따라 2년을 주기로 개인정보 수집·이용에 관하여 (재)동의를 받고 있으며, (재)동의를 하지 않을 경우, 휴면계정으로 전환됩니다.
(※ 휴면계정은 원문이용 및 복사/대출 서비스를 이용할 수 없습니다.)
휴면계정으로 전환된 후 1년간 회원정보 수집·이용에 대한 재동의를 하지 않을 경우, RISS에서 자동탈퇴 및 개인정보가 삭제처리 됩니다.
고객센터 1599-3122
ARS번호+1번(회원가입 및 정보수정)