СЖАТИЕ ИЗОБРАЖЕНИЙ И ВИДЕО ПРИ ПОМОЩИ НЕЙРОННОЙ СЕТИ В.В. Глебов, студент
реклама
СЖАТИЕ ИЗОБРАЖЕНИЙ И ВИДЕО ПРИ ПОМОЩИ НЕЙРОННОЙ СЕТИ В.В. Глебов, студент Научный руководитель – В.С. Дороганов, старший преподаватель Кузбасский государственный технический университет имени Т.Ф. Горбачева, г. Кемерово E-mail: [email protected] Изучение человеческого мозга привело к созданию его упрощенной модели искусственной нейронной сети. Искусственная нейронная сеть представляют собой систему соединённых и взаимодействующих между собой простых процессоров, искусственных нейронов. Искусственные нейроны обычно довольно просты. Каждый нейрон подобной сети имеет дело только с сигналами, который он получает и отправляет другим нейронам. Но будучи соединёнными в достаточно большую сеть с управляемым взаимодействием, нейроны вместе способны выполнять довольно сложные и разнообразные задачи. Сжатие данных - одна из задач, решаемых нейронными сетями. Как и любое сжатие, решение данной задачи основано на устранении избыточности информации во входном сигнале. Способность нейронных сетей к выявлению взаимосвязей между различными параметрами дает возможность выразить данные большой размерности более компактно, если данные тесно взаимосвязаны друг с другом. Обратный процесс восстановление исходного набора данных из части информации - называется ассоциативной памятью. В отличие от традиционных методов сжатия, нейронная сеть при решении задачи сжатия исходит из соображений нехватки ресурсов. Топология сети и ее алгоритм обучения таковы, что данные большой размерности требуется передать с входа нейронной сети на ее выходы через сравнительно небольшие размеры канала. Существую различные типы нейронных сетей позволяющие решать такие задачи. Сеть Кохонена и ее вариации часто используется для сжатия изображений с потерей качества. Она позволяет выделять похожие фрагменты данных в классы. Номер класса обычно занимает гораздо меньше места в памяти, чем ядро класса. Если передать получателю все ядра классов и номера классов, кодирующие каждый фрагмент данных, то данные могут быть восстановлены. При этом неизбежны потери, если число классов меньше числа различных фрагментов данных. Другим способом решения задачи сжатия является применение ассоциативной памяти, такой как сеть Хопфилда, так как она обладает способностью восстанавливать сигнал по его поврежденному образу. Рециркуляционные нейронные сети представляют собой многослойные нейронные сети с обратным распространением информации. При этом обратное распространение информации происходит по двунаправленным связям, которые имеют в различных направлениях разные весовые коэффициенты. При обратном распространении сигналов, в таких сетях осуществляется преобразование их с целью восстановления входного образа. В случае прямого распространения сигналов происходит сжатие входных данных. Обучение рециркуляционных сетей производится без учителя. Рециркуляционные нейронные сети применяются для сжатия и восстановления исходной информации [1]. Сети Цао Ена разрабатывались для построения гладких замкнутых поверхностей в n-мерном пространстве по каркасу ключевых точек. При помощи сети Цао Ена можно делать сжатие растровых изображений с потерей качества за счет выбора базовых точек, по которым восстанавливается изображение с помощью обученной нейронной сети [2]. Для реализации сжатия может использоваться многослойный перцептрон. Количество нейронов во входном и выходном слое одинаково и равно размерности сжимаемых данных. Между этими слоями располагаются один или более промежуточных слоев меньшего размера. Число промежуточных слоев и количество нейронов на них может вирироваться (Рис.1). Рис.1. «Бутылочное горлышко» — одна из возможных топологий нейросетей, используемых для сжатия Исходные данные для сети составляются таким образом, чтобы значение выходных нейронов совпадало со значением входных нейронов. Веса связей от входного слоя нейронов и, примерно, до серединного слоя будут работать на компрессию сигнала, а остальные - на его декомпрессию. При практическом использовании полученную сеть разбивают на две. Вывод первой сети передают по каналу связи и подают на вход второй, которая осуществляет декомпрессию. Тема сжатия видео потока при помощи искусственных сетей не так распространена как отдельных изображений. Но по сути видео есть набор отдельных кадров, которые можно успешно сжимать нейронными сетями. Приложение по сжатию и передачи видео потока должно содержать искусственную нейронную сеть, обучающуюся в реальном времени. После того как, нейронная сеть обучилась или ошибка стала приемлемой, на сторону получателя отправляется часть нейронной сети (декодер) и сжатая информация. На стороне приема информация декодируется в изображения, а изображения в свою очередь образуют видео ряд. Для постепенного улучшения качества изображения искусственная нейронная сеть на стороне отправителя постоянно учится, и часть ее отправляться получателю. Таким образом, искусственные нейронные сети могут весьма успешно справляться с задачами сжатия, как изображения, так и видео. Список литературы: 1. Рециркуляционные нейронные сети // Хабрахабр URL: http://habrahabr.ru/post/130581/ (дата обращения: 23.09.2015) 2. Куликов А.И. Применение нейросетей при сжатии изображений // Конференция, посвященная 90-летию со дня рождения Алексея Андреевича Ляпунова. Новосибирск: 2001.
