Análise de Desempenho do Software NNCodec Utilizando Redes Neurais para Processamento de Imagens
Resumo
Os algoritmos de redes neurais profundas têm sido amplamente utilizados no contexto do processamento visual. Dada a complexidade e a demanda por armazenamento dos modelos que lidam com esse tipo de dado, em contextos práticos de aplicação com dispositivos e sistemas com limitações de hardware, a compressão torna-se essencial. Este trabalho avalia o desempenho do NNCodec, implementação de referência do padrão de codificação de redes neurais, Neural Network Compression and Representation, tanto em termos de eficiência de compressão quanto do impacto da compressão no desempenho das redes. Os resultados indicam que o NNCodec reduziu significativamente o tamanho das redes, alcançando uma taxa de compressão média de, aproximadamente, 86,78%, e preservou o desempenho dos modelos avaliados.
Referências
Chen, L. et al. (2018). Deeplab: Semantic image segmentation with deep convolutional nets, atrous convolution, and fully connected crfs. IEEE Transactions on Pattern Analysis and Machine Intelligence, 40(4):834–848.
Cheng, Z. et al. (2020). Learned image compression with discretized gaussian mixture likelihoods and attention modules. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), Seattle, WA, USA. IEEE.
Islam, M., Chen, G., and Jin, S. (2019). An overview of neural network. American Journal of Neural Networks and Applications, 5(1):7.
Jocher, G. and Qiu, J. (2024). Ultralytics yolo11. [link]. Accessed: 2025-09-05.
Kirchhoffer, H. et al. (2021). Overview of the neural network compression and representation (nnr) standard. IEEE Transactions on Circuits and Systems for Video Technology, pages 1–1.
Krizhevsky, A. (2014). One weird trick for parallelizing convolutional neural networks. arXiv preprint.
Ronneberger, O., Fischer, P., and Brox, T. (2015). U-net: Convolutional networks for biomedical image segmentation. In Lecture Notes in Computer Science, volume 9351, pages 234–241. Springer.
Szegedy, C. et al. (2016). Rethinking the inception architecture for computer vision. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, NV, USA. IEEE.
