다양한 응용 분야에서 딥러닝 기반 비전 모델의 채택이 증가함에 따라, 기계-기계 간 데이터의 효율적인 압축에 대한 수요가 커지고 있다. 이러한 수요를 충족하기 위해 ISO/IEC JTC 1/SC 29 영상 전문가 그룹(MPEG)은 중간 특징 맵(intermediate feature maps)의 효율적인 부호화 및 전송을 목표로 하는 Feature Coding for Machines (FCM) 표준을 개발하고 있다. 그러나 이러한 특징 맵의 통계적 특성은 아직 충분히 탐구되지 않았다. 본 논문에서는 첨도(kurtosis)에 기반하여 특징 스케일을 적응적으로 조정하는 방법 Kurtosis-adjusted Feature Scaling (KaFeS)을 제안한다. 정량적 분석을 통해 첨도와 최적 스케일링 계수 간의 상관관계가 확인된다. 그 결과, KaFeS는 FCTM v6.1(Feature Compression Test Model version 6.1) 대비 평균 BD-rate 이득 26.13 %를 달성한다. 이러한 결과는 첨도가 적응적 특징 스케일링을 위한 효과적인 통계적 사전지식(statistical prior)으로 활용될 수 있음을 보여준다. 또한 첨도 기반 적응은 특징 맵 압축을 넘어 FCM 표준화의 추가적인 측면들에도 이점을 제공할 수 있다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.