Image Compression for Communication: Topic Modelling of Scopus Abstracts Using BERTopic
Notice bibliographique
Résumé
In the era of increasing digital data generation and utilization, efficient data compression is increasingly crucial, particularly in the realm of image and video communication. Visual content continues to be extremely important in digital platforms such as social media, streaming services, video conferencing, and medical images. Management of the substantial daily data flow poses significant challenges for storage, transmission, and real-time processing. Due to their inherently large size, image and video files necessitate effective compression techniques to optimize bandwidth usage, reduce storage requirements, and facilitate the seamless delivery of content across diverse communication networks. In this study, we utilized AI based topic modeling using BERTopic for a review of $\mathbf{5 0, 2 6 1}$ Scopus abstracts published from 1972 to mid-2024 to investigate dominant topics of research done on image data compression. The variability in the results of the BERTopic model is observed in multiple runs on same model parameters and is taken care of by taking 10 runs and keeping stable topics that are found in multiple runs. The overall topics of all the experiments are finalized into 10 major topics, namely, image compression, watermark encryption and security, MIMO (multiple input multiple output) channels system, video compression, deep neural networks for image compression, saliency detection, medical PCS system, satellite broadcasting and holograms in communication.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».