Сжатое восприятие отлично подходит для ситуаций, когда захват данных дорог (либо в энергии, либо во времени). Он работает, принимая меньшее количество образцов и используя линейный или выпуклое программирование для восстановления исходного опорного сигнала от датчика.
Однако в ситуациях, таких как сжатие изображений, учитывая, что данные уже находятся на компьютере - что-то делает сжатие? Например, предложит ли это лучшее сжатие данных? Это приведет к лучшему поиску изображений?...
Поскольку вся точка сжатия воспринимается так, чтобы избежать измерений, которые, как вы говорите, могут дорого стоить, неудивительно, что степень сжатия будет хуже, чем если бы реализация сжатия была выполнена все измерения, которые он хочет, и вишня выбирают те, которые генерируют лучший результат.
Таким образом, я очень сомневаюсь, что реализация, использующая сжатое считывание для уже имеющихся данных (по сути, уже имеющих все измерения), будет создавать лучшие коэффициенты сжатия, чем оптимальный результат.
Теперь, сказав это, сжатое восприятие также касается выбора подмножества измерений, которые будут воспроизводить результат, который аналогичен оригиналу при распаковке, но может не иметь некоторых деталей, просто потому, что вы выбираете это подмножество, Таким образом, также может быть, что вы действительно можете получить лучшие коэффициенты сжатия, чем оптимальный результат, за счет большей потери деталей. Является ли это лучше, чем, скажем, алгоритм сжатия jpeg, где вы просто выкидываете больше коэффициентов, я не знаю.
Кроме того, если, скажем, реализация сжатия изображения, использующая сжатое зондирование, может сократить время, необходимое для сжатия изображения из необработанных данных растрового изображения, что может привести к некоторой тяге в сценариях, где используемое время является дорогостоящим фактором, но уровень детализации - нет. Например.
В сущности, если вам нужно торговать скоростью для качества результатов, возможно, стоит рассмотреть проблему сжатия сжатых данных. Я еще не видел широко распространенного использования этого, хотя что-то говорит мне, что это не будет стоить того, но я мог ошибаться.
Я не знаю, почему вы открываете поиск изображений, но я не вижу, как алгоритм сжатия может помочь в поиске изображений, если вы не будете каким-либо образом использовать сжатые данные для поиска изображений. Это, вероятно, не будет делать то, что вы хотите, связанные с поиском изображений, так как очень часто вы ищете изображения, содержащие определенные визуальные шаблоны, но не на 100% идентичные.
Что касается вашего вопроса "... учитывая, что данные уже находятся на компьютере - предлагает ли сжатое восприятие что-нибудь? Например, предложит ли это лучшее сжатие данных? Это приведет к лучшему поиску изображений?..."
В общем, ответ на ваш вопрос заключается в том, что он не будет предлагать лучшее сжатие данных, по крайней мере, изначально! Это относится к изображениям, где нелинейные схемы, такие как jpeg, лучше, чем сжатое зондирование, с константой от 4 до 5 и исходят из константы klog (N/K), найденной в различных теоретических результатах в разных работах.
Я сказал изначально, потому что сейчас сжатое восприятие в основном сосредоточено на концепции разреженности, но теперь появляется новая работа, которая пытается использовать дополнительную информацию, такую как тот факт, что разложение вейвлетов происходит в комках, которые могут улучшить сжатие. Эта работа и другие, вероятно, обеспечат дополнительное улучшение, возможно, возможность приблизиться к нелинейному преобразованию, например jpeg.
Другая вещь, которую вы должны иметь в виду, - это то, что jpeg является результатом целенаправленного усилия всей отрасли и многолетних исследований. Таким образом, это действительно сложно сделать лучше, но сжимающее восприятие действительно обеспечивает некоторые средства сжатия других наборов данных без необходимости в многолетнем опыте и людских ресурсах.
Наконец, в сжатии, обнаруженном в сжимающем ощущении, есть что-то невероятное. Это универсально, это означает, что прямо сейчас вы можете "декодировать" изображение до определенного уровня детализации, а затем через десять лет, используя те же данные, вы можете "декодировать" лучший образ/набор данных (это с учетом того, что информация была там в первую очередь), потому что ваши решатели будут лучше. Вы не можете сделать это с помощью jpeg или jpeg2000, потому что сжатые данные встроены в схему декодирования.
(раскрытие: я пишу небольшой блог о сжатом чувстве)
Это не может быть точным ответом на ваш вопрос, но я просто хочу подчеркнуть другие важные области применения CS. Сжатие отправки может быть большим преимуществом в беспроводных мультимедийных сетях, где большое внимание уделяется энергопотреблению датчика node. Здесь датчик node должен передавать информацию (скажем, изображение, снятое камерой наблюдения). Если он должен передать все образцы, мы не можем позволить себе увеличить срок службы сети. Где, как если бы мы использовали JPEG-сжатие, он с высокой степенью сложности на стороне кодера (датчик node), что опять нежелательно. Таким образом, сжатие Sensing каким-то образом hwlps при перемещении сложности с стороны энкодера на сторону декодера. Будучи исследователем в этой области, мы успешно передаем изображение и видео в канале с потерями со значительным качеством, только отправив 52% от общего количества образцов.
Одним из преимуществ сжатия данных является то, что воспринимаемый сигнал не только сжат, но и зашифрован. Единственный способ опорный сигнал может быть восстановлен из его считываемого сигнала, чтобы выполнить оптимизацию (линейный или выпуклое программирование) на оценке опорного сигнала при нанесении на основу.
Предлагает ли это лучшее сжатие данных? Это будет зависящим от приложения. Во-первых, он будет работать только на разреженных опорных сигналах, то есть он, вероятно, применим только к сжатию изображения, звука, радиосигнала и не применим к общему сжатию данных. В некоторых случаях может быть возможно получить лучшую степень сжатия, используя сжатие, чем другие подходы, а в других случаях это не так. Он зависит от природы воспринимаемого сигнала.
Может ли это привести к лучшему поиску изображений? У меня мало колебаний, отвечая на это "нет". Поскольку воспринимаемый сигнал сжат и зашифрован, практически невозможно восстановить опорный сигнал от воспринимаемого сигнала без "ключа" (базовая функция). В тех случаях, когда доступна базовая функция, опорный сигнал еще нужно будет восстановить, чтобы выполнять любую обработку/характеристику обработки/идентификации изображений и т.п.
Сжатие данных означает, что некоторые данные могут быть восстановлены некоторыми измерениями. Большинство данных могут быть линейно преобразованы в другое линейное пространство, в котором большинство значений можно игнорировать.
Таким образом, это означает, что мы можем восстановить большинство данных в некоторых измерениях, "некоторые" могут быть низкой скоростью числа исходных значений.