In questa tesi viene affrontato il tema della compressione dati con perdite, effettuata attraverso l’algoritmo di Linde-Buzo-Gray (LBG) e l’autoencoder (AE). I due metodi sono prima stati analizzati analiticamente in termini di efficienza di compressione, complessità computazionale e occupazione di memoria. In seguito, i due metodi sono stati testati su due dataset, per andare a valutare la qualità della compressione e le regioni di decisione create. È emerso che, a parità di bit usati per la compressione, l’autoencoder effettua una ricostruzione equivalente o migliore dell’algoritmo LBG, risultando vantaggioso anche in termini di occupazione di memoria e complessità computazionale. Si nota inoltre che, nonostante la componente di non linearità introdotta dal quantizzatore, in generale un autoencoder lineare riesce ad ottenere una qualità di compressione equivalente a quella di autoencoder non lineari.
Confronto tra la Compressione con Quantizzazione, Machine Learning con reti lineari e Machine Learning con reti non lineari
MARTINELLI, MARCO
2021/2022
Abstract
In questa tesi viene affrontato il tema della compressione dati con perdite, effettuata attraverso l’algoritmo di Linde-Buzo-Gray (LBG) e l’autoencoder (AE). I due metodi sono prima stati analizzati analiticamente in termini di efficienza di compressione, complessità computazionale e occupazione di memoria. In seguito, i due metodi sono stati testati su due dataset, per andare a valutare la qualità della compressione e le regioni di decisione create. È emerso che, a parità di bit usati per la compressione, l’autoencoder effettua una ricostruzione equivalente o migliore dell’algoritmo LBG, risultando vantaggioso anche in termini di occupazione di memoria e complessità computazionale. Si nota inoltre che, nonostante la componente di non linearità introdotta dal quantizzatore, in generale un autoencoder lineare riesce ad ottenere una qualità di compressione equivalente a quella di autoencoder non lineari.File | Dimensione | Formato | |
---|---|---|---|
Tesi_def_checked_pdfA.pdf
accesso aperto
Dimensione
13.24 MB
Formato
Adobe PDF
|
13.24 MB | Adobe PDF | Visualizza/Apri |
The text of this website © Università degli studi di Padova. Full Text are published under a non-exclusive license. Metadata are under a CC0 License
https://hdl.handle.net/20.500.12608/33738