国家自然科学基金项目
基于数据驱动压缩感知的无人机图像编码研究
基本信息
项目批准号：62002327
申请代码：F0210
项目名称：基于数据驱动压缩感知的无人机图像编码研究
项目负责人：陈赞
依托单位：浙江工业大学
研究期限：2021-01-01 至 2023-12-31
资助经费：24.0（万元）
中文摘要：
无人机端板载计算资源、能量相对地面接收端有限，传统图像压缩编码方案并不满足无人机图传对编码复杂度、抗丢包性能的需求。本课题采用压缩感知理论，设计一种编码复杂度低、抗丢包能力强、率失真性能高、解码延时低的图像编码方案。为此，首先拟在编码端设计一种高效的随机测量-量化方案，在保证编码复杂度低、抗丢包性能强的基础上，解码端可以利用随机测量值间的相关性提升率失真性能；其次，通过对航拍图像场景分类，学习不同场景下航拍图像的特征结构，将高层语义信息融入低层像素重建过程中，实现基于深度学习的数据驱动先验模型；最后，结合所设计的测量-量化方案与数据驱动先验模型，设计一种快速的压缩感知重建算法，并根据算法步骤设计相应神经网络结构，实现快速压缩感知图像重建过程，保证无人机解码过程实时需求。课题组初步测试了设计方案的简化版本的性能，实验结果验证了方案的可行性。
英文摘要：
The onboard computing resources and energy of the UAV are limited compared to the ground station. Traditional image compression schemes do not meet the requirements of UAV image transmission for coding complexity and packet loss resistance. This project tries to use compressed sensing theory to design an image coding scheme with low encoding complexity, strong anti-packet loss ability, high rate-distortion performance, and low decoding delay. The project mainly includes three aspects to achieve these purposes: First, we design an efficient measurement-quantization method in the encoder, which can use the correlation between random measurements while ensuring low coding complexity and strong packet loss resistance. Second, through the classification of aerial image scene, we can learn the feature of the aerial image in different scenes, so that we can integrate the high-level scene semantic information into the low-level pixel reconstruction process, and realize the data-driven prior model based on deep neural network. Finally, combining the designed measurement-quantization method and data-driven prior model, we design the corresponding neural network structure according to a fast compressive reconstruction algorithm, which can ensure the codec delay demand of the UAV. We initially tested the performance of the simple-version of the proposed scheme, and the experimental results verified the feasibility of the scheme.
结题摘要
传统图像压缩编码方案在编码端利用先验假设去除图像冗余信息，在率失真性能上取得不断突破的同时，编码端的复杂度日趋沉重，对丢包的容忍度近乎为零，不适用于无人机图像传输这类编码端计算、能量资源有限，传输信道不稳定的应用场景。项目针对基于压缩感知的无人机图传中拟解决的高效的数据驱动先验设计问题以及快速压缩感知重建算法设计问题展开研究，提出了一种重建效果优异、算法复杂度低、抗噪性和鲁棒性强的图像压缩感知图像编码方案。首先，本研究在编码器端应用去噪预处理策略，在不牺牲安全性和鲁棒性的情况下提高率失真性能；其次，使用带扩散噪声的伯努利采样对预处理图像进行随机下采样，提升编码图案的安全性能；最后，项目组在解码器端嵌入了一个深度学习的即插即用先验，用于图像重建。实验结果表明，所提出的方案具有良好的安全性能、高率失真性能和较高的传输容错性能。项目的研究提供了一种新的高效、鲁棒的图像编码传输框架。
从官网获取报告原文信息请点击左下角“阅读原文”！
版权声明：本文所有文字来自国家自然科学基金委员会官方网站（https://www.nsfc.gov.cn/），版权归原作者/机构所有。如有侵权，请留言并提交证据，收到核实后删。
！
以科技赋能产业
以创新引领发展
未来，已来！
