.png){kind=icon}
返回
Gradient-Based Compression and Approximate Computing for Deep Network Optimization in Multimedia Data Processing
.png){kind=icon}
PRE
AI
DOI：10.1109/TCE.2026.3656716.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
现有深度网络中压缩多媒体数据处理的方法受到重建精度低、压缩比和计算延迟高等固有权衡的制约。在计算密集型任务中，由于大规模多媒体应用中实时处理的高能耗和处理延迟，性能进一步恶化。本研究提出了一种深度学习框架，将基于梯度的压缩与近似计算相结合，以优化网络内的多媒体数据处理。通过超参数调优系统调整位宽、模型大小和网络深度，实现对压缩和计算效率的精细控制。所提方法采用自适应卷积层和动态学习率进行局部梯度残差压缩，旨在改善对低秩结构和数据稀疏性的利用。在公开数据集（包括CIFAR-10、CIFAR-100和MNIST）上进行了广泛仿真，以验证所提方法的有效性。结果表明，该方法优于一系列最先进的方法，实现了99.09%的分类精度，并实现了近乎实时的多媒体数据处理。
Keyword:
Approximate computing
data compression
deep learning
image processing
convolution neural network
MNIST
期刊
IF:
10.9
论文数:
5.1K
被引数:
6.8K
机构
引用论文
An effective compression algorithm for real-time transmission data using predictive coding with mixed models of LSTM and XGBoost.png)
NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏Low dynamic range discrete cosine transform (LDR-DCT) for high-performance JPEG image compressionVISUAL COMPUTER
VISUAL COMPUTERIF2.9
PREAI
分享收藏From Heuristic Optimization to Dictionary Learning: A Review and Comprehensive Comparison of Image Denoising Algorithms从启发式优化到字典学习: 图像去噪算法的回顾与综合比较
PREAI
分享收藏
查看更多内容