公开(公告)号：CN114386595B

公开(公告)日：2023-07-28

申请号：CN202111597113.0

申请日：2021-12-24

Applicant: 西南交通大学

Inventor： 邸志雄 ,  陈旋 ,  吴强 ,  冯全源

IPC: H04N19/42 ,  G06N3/08 ,  G06N3/04 ,  G06F16/174

Abstract: 本发明公开了一种基于超先验架构的SAR图像压缩方法，具体为：构建自编解码器卷积网络，自编解码器卷积网络包括编码器、算术编解码器和解码器；超先验网络的熵建模，超先验网络的熵建模分为四个部分，分别为超参编码器、超参算术编解码器、超参解码器、概率模型；同时本模型最后使用了单高斯混合模型对均值和方差进行预测，来模拟信号分布，实现熵建模；失真优化，模型根据损失函数进行反向传播，不断地训练和优化，取得更好的压缩效果。本发明对潜在空间中的变量进行熵建模，根据不同的压缩对象进行调整进一步地提高压缩率，通过设计和改进网络结构，提升网络的特征提取和泛化能力，兼顾SAR图像的压缩率和压缩质量。

公开(公告)号：CN114386595A

公开(公告)日：2022-04-22

申请号：CN202111597113.0

申请日：2021-12-24

Applicant: 西南交通大学

Inventor： 邸志雄 ,  陈旋 ,  吴强 ,  冯全源

IPC: G06N3/08 ,  G06N3/04 ,  G06F16/174

Abstract: 本发明公开了一种基于超先验架构的SAR图像压缩方法，具体为：构建自编解码器卷积网络，自编解码器卷积网络包括编码器、算术编解码器和解码器；超先验网络的熵建模，超先验网络的熵建模分为四个部分，分别为超参编码器、超参算术编解码器、超参解码器、概率模型；同时本模型最后使用了单高斯混合模型对均值和方差进行预测，来模拟信号分布，实现熵建模；失真优化，模型根据损失函数进行反向传播，不断地训练和优化，取得更好的压缩效果。本发明对潜在空间中的变量进行熵建模，根据不同的压缩对象进行调整进一步地提高压缩率，通过设计和改进网络结构，提升网络的特征提取和泛化能力，兼顾SAR图像的压缩率和压缩质量。