છબીઓને ઓવરકોમ્પ્રેસ કરવા માટે AI નો ઉપયોગ કરવો

ન્યુરલ નેટવર્ક્સ જેવા ડેટા-આધારિત અલ્ગોરિધમ્સે વિશ્વને તોફાન દ્વારા લઈ લીધું છે. તેમનો વિકાસ સસ્તા અને શક્તિશાળી સાધનો અને મોટી માત્રામાં ડેટા સહિત અનેક કારણોસર છે. ન્યુરલ નેટવર્ક હાલમાં "જ્ઞાનાત્મક" કાર્યો જેમ કે ઇમેજ રેકગ્નિશન, નેચરલ લેંગ્વેજ સમજ વગેરે સંબંધિત દરેક બાબતમાં મોખરે છે. પરંતુ તેઓ આવા કાર્યો સુધી મર્યાદિત ન હોવા જોઈએ. આ લેખ શેષ શિક્ષણનો ઉપયોગ કરીને ન્યુરલ નેટવર્કનો ઉપયોગ કરીને છબીઓને કેવી રીતે સંકુચિત કરવી તે વિશે વાત કરે છે. લેખમાં પ્રસ્તુત અભિગમ પ્રમાણભૂત કોડેક કરતાં ઝડપી અને વધુ સારો છે. યોજનાઓ, સમીકરણો અને, અલબત્ત, કટ હેઠળના પરીક્ષણો સાથેનું ટેબલ.

આ લેખ પર આધારિત છે આ કામ એવું માનવામાં આવે છે કે તમે ન્યુરલ નેટવર્ક્સ અને તેમના ખ્યાલોથી પરિચિત છો. ક્રાંતિ и નુકશાન કાર્ય.

ઇમેજ કમ્પ્રેશન શું છે અને તે કેવી રીતે કાર્ય કરે છે?

ઇમેજ કમ્પ્રેશન એ ઇમેજને કન્વર્ટ કરવાની પ્રક્રિયા છે જેથી તે ઓછી જગ્યા લે. ફક્ત છબીઓ સંગ્રહિત કરવા માટે ઘણી જગ્યા લેશે, તેથી જ ત્યાં જેપીઇજી અને પીએનજી જેવા કોડેક્સ છે જે મૂળ છબીનું કદ ઘટાડવાનું લક્ષ્ય રાખે છે.

જેમ તમે જાણો છો, ત્યાં બે પ્રકારના ઇમેજ કમ્પ્રેશન છે: કોઈ નુકશાન નથી и નુકસાન સાથે. નામો સૂચવે છે તેમ, લોસલેસ કમ્પ્રેશન મૂળ ઇમેજ ડેટાને જાળવી શકે છે, જ્યારે નુકસાનકારક કમ્પ્રેશન કમ્પ્રેશન દરમિયાન અમુક ડેટા ગુમાવે છે. ઉદાહરણ તરીકે, JPG નુકસાનકારક અલ્ગોરિધમ્સ છે [આશરે. અનુવાદ - મૂળભૂત રીતે, ચાલો લોસલેસ JPEG વિશે પણ ભૂલી ન જઈએ], અને PNG એ લોસલેસ અલ્ગોરિધમ છે.

લોસલેસ અને હાનિકારક કમ્પ્રેશનની સરખામણી

નોંધ લો કે જમણી બાજુની છબીમાં ઘણી બધી અવરોધિત કલાકૃતિઓ છે. આ ખોવાઈ ગયેલી માહિતી છે. સમાન રંગોના પડોશી પિક્સેલ્સ જગ્યા બચાવવા માટે એક વિસ્તાર તરીકે સંકુચિત કરવામાં આવે છે, પરંતુ વાસ્તવિક પિક્સેલ વિશેની માહિતી ખોવાઈ જાય છે. અલબત્ત, JPEG, PNG, વગેરે કોડેકમાં વપરાતા અલ્ગોરિધમ્સ વધુ જટિલ છે, પરંતુ આ નુકસાનકારક સંકોચનનું સારું સાહજિક ઉદાહરણ છે. લોસલેસ કમ્પ્રેશન સારું છે, પરંતુ લોસલેસ કોમ્પ્રેસ્ડ ફાઈલો ઘણી બધી ડિસ્ક જગ્યા લે છે. ઘણી બધી માહિતી ગુમાવ્યા વિના છબીઓને સંકુચિત કરવાની વધુ સારી રીતો છે, પરંતુ તે એકદમ ધીમી છે અને ઘણા પુનરાવર્તિત અભિગમોનો ઉપયોગ કરે છે. આનો અર્થ એ છે કે તેઓ બહુવિધ CPU અથવા GPU કોરો પર સમાંતર ચલાવી શકાતા નથી. આ મર્યાદા તેમને રોજિંદા ઉપયોગમાં સંપૂર્ણપણે અવ્યવહારુ બનાવે છે.

કન્વોલ્યુશનલ ન્યુરલ નેટવર્ક ઇનપુટ

જો કંઈક ગણતરી કરવાની જરૂર હોય અને ગણતરીઓ અંદાજિત હોઈ શકે, તો ઉમેરો ન્યુરલ નેટવર્ક. લેખકોએ ઇમેજ કમ્પ્રેશનને સુધારવા માટે એકદમ પ્રમાણભૂત કન્વોલ્યુશનલ ન્યુરલ નેટવર્કનો ઉપયોગ કર્યો. પ્રસ્તુત પદ્ધતિ માત્ર શ્રેષ્ઠ ઉકેલો (જો વધુ સારી ન હોય તો), તે સમાંતર કમ્પ્યુટિંગનો પણ ઉપયોગ કરી શકે છે, જે ઝડપમાં નાટ્યાત્મક વધારો તરફ દોરી જાય છે. કારણ એ છે કે કન્વોલ્યુશનલ ન્યુરલ નેટવર્ક્સ (CNNs) છબીઓમાંથી અવકાશી માહિતી કાઢવામાં ખૂબ જ સારી છે, જે પછી વધુ કોમ્પેક્ટ સ્વરૂપમાં રજૂ કરવામાં આવે છે (ઉદાહરણ તરીકે, છબીના ફક્ત "મહત્વપૂર્ણ" બિટ્સ સાચવવામાં આવે છે). લેખકો છબીઓને વધુ સારી રીતે રજૂ કરવા માટે આ CNN ક્ષમતાનો ઉપયોગ કરવા માંગતા હતા.

સ્થાપત્ય

લેખકોએ ડબલ નેટવર્કની દરખાસ્ત કરી. પ્રથમ નેટવર્ક ઈનપુટ તરીકે ઈમેજ લે છે અને કોમ્પેક્ટ રિપ્રેઝન્ટેશન (ComCNN) જનરેટ કરે છે. આ નેટવર્કનું આઉટપુટ પછી પ્રમાણભૂત કોડેક (દા.ત. JPEG) દ્વારા પ્રક્રિયા કરવામાં આવે છે. કોડેક દ્વારા પ્રક્રિયા કર્યા પછી, છબીને બીજા નેટવર્ક પર મોકલવામાં આવે છે, જે મૂળ છબી પરત કરવાના પ્રયાસમાં કોડેકમાંથી છબીને "ફિક્સ" કરે છે. લેખકોએ આ નેટવર્કને રિકન્સ્ટ્રક્ટિવ CNN (RecCNN) નામ આપ્યું છે. GAN ની જેમ, બંને નેટવર્ક પુનરાવર્તિત રીતે પ્રશિક્ષિત છે.

ComCNN કોમ્પેક્ટ રજૂઆત પ્રમાણભૂત કોડેકમાં પસાર થાય છે

RecCNN. ComCNN આઉટપુટને માપવામાં આવે છે અને RecCNN ને ખવડાવવામાં આવે છે, જે બાકીનું શીખવાનો પ્રયાસ કરશે

કોડેક આઉટપુટને માપવામાં આવે છે અને પછી RecCNN ને પસાર કરવામાં આવે છે. RecCNN છબીને શક્ય તેટલી મૂળની નજીક રેન્ડર કરવાનો પ્રયાસ કરશે.

એન્ડ-ટુ-એન્ડ ઇમેજ કમ્પ્રેશન ફ્રેમવર્ક. Co(.) એ ઇમેજ કમ્પ્રેશન અલ્ગોરિધમ છે. લેખકોએ JPEG, JPEG2000 અને BPG નો ઉપયોગ કર્યો

શેષ શું છે?

બાકીનાને કોડેક દ્વારા ડીકોડ કરવામાં આવી રહેલી ઇમેજને "સુધારવા" માટે પોસ્ટ-પ્રોસેસિંગ પગલા તરીકે વિચારી શકાય છે. વિશ્વ વિશે ઘણી બધી "માહિતી" ધરાવતું, ન્યુરલ નેટવર્ક શું ઠીક કરવું તે વિશે જ્ઞાનાત્મક નિર્ણયો લઈ શકે છે. આ વિચાર પર આધારિત છે શેષ શિક્ષણ, જેના વિશે તમે કરી શકો તે વિગતો વાંચો અહીં.

નુકશાન કાર્યો

બે નુકશાન કાર્યોનો ઉપયોગ થાય છે કારણ કે અમારી પાસે બે ન્યુરલ નેટવર્ક છે. આમાંથી પ્રથમ, ComCNN, L1 લેબલ થયેલ છે અને નીચે પ્રમાણે વ્યાખ્યાયિત થયેલ છે:

ComCNN માટે નુકશાન કાર્ય

સમજૂતી

આ સમીકરણ જટિલ લાગે છે, પરંતુ તે વાસ્તવમાં પ્રમાણભૂત છે (મૂળ સરેરાશ ચોરસ ભૂલ) એમએસઈ. ||² એટલે તેઓ જે વેક્ટરને બંધ કરે છે તેનો ધોરણ.

સમીકરણ 1.1

Cr એ ComCNN નું આઉટપુટ સૂચવે છે. θ ComCNN પેરામીટર્સની શીખવાની ક્ષમતા દર્શાવે છે, XK એ ઇનપુટ ઇમેજ છે

સમીકરણ 1.2

Re() RecCNN માટે વપરાય છે. આ સમીકરણ ફક્ત RecCNN ને સમીકરણ 1.1 નો અર્થ જણાવે છે. θ એ RecCNN ટ્રેનેબલ પેરામીટર્સ સૂચવે છે (ટોચ પર ટોપીનો અર્થ એ છે કે પરિમાણો નિશ્ચિત છે).

સાહજિક વ્યાખ્યા

સમીકરણ 1.0 ComCNN ને તેનું વજન બદલવાનું કારણ બનશે જેથી જ્યારે RecCNN સાથે પુનઃનિર્માણ કરવામાં આવે, ત્યારે અંતિમ ઇમેજ ઇનપુટ ઇમેજ સાથે શક્ય તેટલી સમાન દેખાય. બીજું RecCNN નુકશાન કાર્ય નીચે પ્રમાણે વ્યાખ્યાયિત થયેલ છે:

સમીકરણ 2.0

સમજૂતી

ફરીથી, કાર્ય જટિલ લાગે છે, પરંતુ આ મોટાભાગે પ્રમાણભૂત ન્યુરલ નેટવર્ક નુકશાન કાર્ય (MSE) છે.

સમીકરણ 2.1

Co() કોડેક આઉટપુટનો અર્થ થાય છે, ટોચ પર ટોપી સાથે x એટલે ComCNN આઉટપુટ. θ2 એ RecCNN તાલીમપાત્ર પરિમાણો છે, res() માત્ર RecCNN નું શેષ આઉટપુટ છે. નોંધનીય છે કે RecCNN Co() અને ઇનપુટ ઇમેજ વચ્ચેના તફાવત પર પ્રશિક્ષિત છે, પરંતુ ઇનપુટ ઇમેજ પર નહીં.

સાહજિક વ્યાખ્યા

સમીકરણ 2.0 RecCNN ને તેનું વજન બદલવાનું કારણ બનશે જેથી આઉટપુટ શક્ય તેટલું ઇનપુટ ઇમેજ જેવું જ દેખાય.

શીખવાની યોજના

મોડલ્સને પુનરાવર્તિત રીતે તાલીમ આપવામાં આવે છે, જેમ કે ગાન. પ્રથમ મોડેલનું વજન નક્કી કરવામાં આવે છે જ્યારે બીજા મોડેલના વજનને અપડેટ કરવામાં આવે છે, પછી બીજા મોડેલનું વજન નક્કી કરવામાં આવે છે જ્યારે પ્રથમ મોડેલને તાલીમ આપવામાં આવે છે.

પરીક્ષણો

લેખકોએ તેમની પદ્ધતિની તુલના હાલની પદ્ધતિઓ સાથે, જેમાં સરળ કોડેક્સનો સમાવેશ થાય છે. યોગ્ય હાર્ડવેર પર હાઇ સ્પીડ જાળવી રાખીને તેમની પદ્ધતિ અન્ય કરતા વધુ સારી કામગીરી બજાવે છે. વધુમાં, લેખકોએ બેમાંથી માત્ર એક નેટવર્કનો ઉપયોગ કરવાનો પ્રયાસ કર્યો અને પ્રદર્શનમાં ઘટાડો નોંધ્યો.

માળખાકીય સમાનતા સૂચકાંક સરખામણી (SSIM). ઉચ્ચ મૂલ્યો મૂળ સાથે વધુ સારી સામ્યતા સૂચવે છે. બોલ્ડ પ્રકાર લેખકોના કાર્યનું પરિણામ સૂચવે છે

નિષ્કર્ષ

અમે ઈમેજ કમ્પ્રેશન પર ડીપ લર્નિંગ લાગુ કરવાની નવી રીત જોઈ, અને "સામાન્ય" કાર્યો જેમ કે ઈમેજ વર્ગીકરણ અને ભાષા પ્રોસેસિંગ સિવાયના કાર્યોમાં ન્યુરલ નેટવર્કનો ઉપયોગ કરવાની શક્યતા વિશે વાત કરી. આ પદ્ધતિ ફક્ત આધુનિક આવશ્યકતાઓથી હલકી ગુણવત્તાવાળા નથી, પણ તમને છબીઓ પર વધુ ઝડપથી પ્રક્રિયા કરવાની મંજૂરી આપે છે.

ન્યુરલ નેટવર્ક શીખવું વધુ સરળ બન્યું છે, કારણ કે અમે ખાસ કરીને હબ્રવચન માટે પ્રોમો કોડ બનાવ્યો છે HABR, બેનર પર દર્શાવેલ ડિસ્કાઉન્ટ પર વધારાનું 10% ડિસ્કાઉન્ટ આપવું.

• શરૂઆતથી ડેટા સાયન્સના વ્યવસાયને શીખવવું
• ડેટા સાયન્સ ઓનલાઈન બુટકેમ્પ
• શરૂઆતથી ડેટા એનાલિસ્ટના વ્યવસાયને તાલીમ આપવી
• ડેટા એનાલિટિક્સ ઓનલાઇન બુટકેમ્પ
• વેબ ડેવલપમેન્ટ કોર્સ માટે પાયથોન

વધુ અભ્યાસક્રમો

• ડેટા એનાલિટિક્સ કોર્સ
• DevOps કોર્સ
• વ્યવસાય વેબ ડેવલપર
• શરૂઆતથી વ્યવસાય iOS વિકાસકર્તા
• શરૂઆતથી વ્યવસાય એન્ડ્રોઇડ ડેવલપર
• શરૂઆતથી વ્યવસાય જાવા ડેવલપર
• જાવાસ્ક્રિપ્ટ કોર્સ
• મશીન લર્નિંગ કોર્સ
• કોર્સ "ડેટા સાયન્સ માટે ગણિત અને મશીન લર્નિંગ"
• એડવાન્સ કોર્સ "મશીન લર્નિંગ પ્રો + ડીપ લર્નિંગ"

ફીચર્ડ લેખો

• ઑનલાઇન અભ્યાસક્રમો વિના ડેટા સાયન્ટિસ્ટ કેવી રીતે બનવું
• 450 મફત આઇવી લીગ અભ્યાસક્રમો
• સળંગ 5 મહિના માટે અઠવાડિયામાં 9 દિવસ મશીન લર્નિંગનો અભ્યાસ કેવી રીતે કરવો
• ડેટા વિશ્લેષક કેટલી કમાણી કરે છે: 2020 માં રશિયા અને વિદેશમાં પગાર અને ખાલી જગ્યાઓની ઝાંખી
• ખાણકામ ઉદ્યોગમાં મશીન લર્નિંગ અને કમ્પ્યુટર વિઝન

સોર્સ: www.habr.com