¿Compressed Sensing aporta algo nuevo a la compresión de datos?

Question

Compressed sensing es ideal para situaciones donde la captura de datos es costosa (ya sea en energía o tiempo). Funciona tomando un número menor de muestras y utilizando programación lineal o convexa para reconstruir la señal de referencia original lejos del sensor.

Sin embargo, en situaciones como la compresión de imágenes, dado que los datos ya están en la computadora, ¿la detección comprimida ofrece algo? Por ejemplo, ¿ofrecería una mejor compresión de datos? ¿Daría como resultado una mejor búsqueda de imágenes? ...

Answer 1

Dado que el objetivo de la detección comprimida es evitar tomar medidas, que, como usted dice, pueden ser costosas, no debería sorprender que la relación de compresión será peor que si se permite que la implementación de compresión haga todas las medidas que desee, y elija aquellas que generen el mejor resultado.

Por lo tanto, dudo mucho que una implementación que utilice detección comprimida para datos ya presentes (en efecto, que ya tiene todas las medidas), produzca mejores relaciones de compresión que el resultado óptimo.

Ahora, una vez dicho esto, la detección comprimida también trata de elegir un subconjunto de las medidas que reproducirá un resultado similar al original cuando se descomprime, pero puede carecer de algunos detalles, simplemente porque está escogiendo eso subconjunto. Como tal, también podría ser que usted puede producir mejores relaciones de compresión que el resultado óptimo, a expensas de una mayor pérdida de detalles. Si esto es mejor que, digamos, un algoritmo de compresión jpeg donde simplemente arrojas más de los coeficientes, no lo sé. También, si una implementación de compresión de imágenes que utiliza sensores comprimidos puede reducir el tiempo que lleva comprimir la imagen de los datos de mapa de bits sin formato, eso podría darle cierta tracción en escenarios donde el tiempo utilizado es un factor costoso. , pero el nivel de detalle no es. Por ejemplo.

En esencia, si tiene que cambiar la velocidad por la calidad de los resultados, una implementación de detección comprimida podría ser valdría la pena investigar. Todavía tengo que ver el uso generalizado de esto, así que algo me dice que no valdrá la pena, pero podría estar equivocado.

No sé por qué aparece la búsqueda de imágenes, pero no veo cómo el algoritmo de compresión puede ayudar en la búsqueda de imágenes, a menos que de alguna manera utilice los datos comprimidos para buscar imágenes. Es probable que esto no haga lo que usted desea, relacionado con la búsqueda de imágenes, ya que muy a menudo busca imágenes que contengan ciertos patrones visuales, pero no son 100% idénticas.

Answer 2

Con respecto a su pregunta "... dado que los datos ya están en la computadora, ¿la detección comprimida ofrece algo? Por ejemplo, ¿ofrecería una mejor compresión de datos? ¿Daría como resultado una mejor búsqueda de imágenes ?. .. "

En general, la respuesta a su pregunta es ¡no, no ofrecería una mejor compresión de datos al menos inicialmente! Este es el caso de las imágenes donde los esquemas no lineales como jpeg son mejores que los sensores comprimidos por una constante de 4 a 5 y provienen de la constante klog (N/K) encontrada en diversos resultados teóricos en diferentes artículos.

Lo dije inicialmente porque en este momento la detección comprimida se centra principalmente en el concepto de dispersión, pero ahora hay nuevos trabajos que intentan utilizar información adicional, como el hecho de que la descomposición de las ondículas viene en grupos que podrían mejorar la compresión. Es probable que este trabajo y otros proporcionen mejoras adicionales con tal vez la posibilidad de acercarse a la transformación no lineal, como jpeg.

Lo otro que debe tener en cuenta es que jpeg es el resultado de un esfuerzo concentrado de toda la industria y muchos años de investigación. Por lo tanto, es realmente difícil hacerlo mejor que eso, pero la detección de compresión realmente proporciona algunos medios de compresión de otros conjuntos de datos sin la necesidad de años de experiencia y mano de obra.

Finalmente, hay algo inmensamente inspirador en la compresión que se encuentra en la detección de compresión. Es universal, esto significa que ahora puedes "decodificar" la imagen a un cierto nivel de detalle y luego, en diez años, usando los mismos datos, podrías "decodificar" una imagen/conjunto de datos mejor (esto es con la advertencia de que el la información estaba allí en primer lugar) porque sus solucionadores serán mejores. No puede hacer eso con jpeg o jpeg2000 porque los datos que se comprimen están intrínsecamente conectados al esquema de decodificación.

(divulgación: I escribir un pequeño blog en la detección comprimido)

Answer 3

Uno de los beneficios de la detección comprimido es que la señal detectada no sólo se comprime pero está encriptado también. La única forma en que se puede reconstruir una señal de referencia a partir de su señal detectada es realizar la optimización (programación lineal o convexa) en una estimación de señal de referencia cuando se aplica a la base.

¿Ofrece una mejor compresión de datos? Eso dependerá de la aplicación. En primer lugar, solo funcionará con señales de referencia dispersas, lo que significa que probablemente solo sea aplicable a la compresión de imágenes, audio y señales de RF, y no aplicable a la compresión de datos generales. En algunos casos, es posible obtener una mejor relación de compresión utilizando sensores comprimidos que otros enfoques, y en otros casos, ese no será el caso. Depende de la naturaleza de la señal que se detecta.

¿Conseguiría una mejor búsqueda de imágenes? Tengo pocas dudas al responder este "no". Como la señal detectada está comprimida y encriptada, prácticamente no hay forma de reconstruir la señal de referencia de la señal detectada sin la "tecla" (función de base). En aquellos casos en que la función de base está disponible, la señal de referencia aún tendría que reconstruirse para realizar cualquier tipo de procesamiento de imagen/identificación/caracterización de objeto o similar.

Answer 4

Puede que esta no sea la respuesta exacta para su pregunta, pero solo quiero hacer hincapié en otros dominios de aplicación importantes de CS. El envío por compresión puede ser una gran ventaja en las redes inalámbricas multimedia en las que se hace gran hincapié en el consumo de energía del nodo del sensor. Aquí el nodo del sensor tiene que transmitir la información (digamos una imagen tomada por una cámara de survillance). Si tiene que transmitir todas las muestras, no podemos permitirnos mejorar la vida útil de la red. Donde como si usamos la compresión JPEG, trae una alta complejidad en el lado del codificador (nodo del sensor) que de nuevo es indeseable. Por lo tanto, la detección de compresión se mueve de alguna manera al mover la complejidad del lado del codificador al lado del decodificador. Como investigador en el área, tenemos éxito en la transmisión de una imagen y un video en un canal con pérdida de calidad considerable solo enviando el 52% del total de las muestras.

Answer 5

La detección de compresión significa que algunos datos se pueden reconstruir mediante algunas mediciones. La mayoría de los datos se pueden transformar linealmente en otro espacio lineal en el que la mayoría de las dimensiones se pueden ignorar.

Lo que significa que podemos reconstruir la mayoría de los datos en algunas dimensiones, el "algunos" puede ser de baja tasa del número de dimensiones de premitimiento.