ការប្រើប្រាស់ AI ដើម្បីបង្រួមរូបភាព

ក្បួនដោះស្រាយដែលជំរុញដោយទិន្នន័យដូចជាបណ្តាញសរសៃប្រសាទបាននាំពិភពលោកដោយព្យុះ។ ការអភិវឌ្ឍន៍របស់ពួកគេត្រូវបានជំរុញដោយហេតុផលជាច្រើន រួមទាំងផ្នែករឹងដែលមានតំលៃថោក និងមានថាមពល និងទិន្នន័យយ៉ាងច្រើន។ បណ្តាញសរសៃប្រសាទបច្ចុប្បន្នស្ថិតនៅជួរមុខនៃអ្វីគ្រប់យ៉ាងដែលទាក់ទងនឹងកិច្ចការ "ការយល់ដឹង" ដូចជាការទទួលស្គាល់រូបភាព ការយល់ដឹងភាសាធម្មជាតិជាដើម។ ប៉ុន្តែពួកគេមិនគួរត្រូវបានកំណត់ចំពោះភារកិច្ចបែបនេះទេ។ សម្ភារៈនេះពិពណ៌នាអំពីវិធីសាស្រ្តសម្រាប់ការបង្ហាប់រូបភាពដោយប្រើបណ្តាញសរសៃប្រសាទដោយប្រើការរៀនសំណល់។ វិធីសាស្រ្តដែលបានបង្ហាញនៅក្នុងអត្ថបទដំណើរការលឿន និងប្រសើរជាងកូឌិកស្តង់ដារ។ គ្រោងការណ៍ សមីការ និងជាការពិតណាស់ តារាងដែលមានការធ្វើតេស្តនៅក្រោមការកាត់។

អត្ថបទនេះត្រូវបានផ្អែកលើ នេះ ការងារ។ វាត្រូវបានសន្មត់ថាអ្នកស៊ាំជាមួយបណ្តាញសរសៃប្រសាទនិងគំនិតរបស់ពួកគេ។ បដិវត្តន៍ и មុខងារបាត់បង់.

តើ​អ្វី​ទៅ​ជា​ការ​បង្ហាប់​រូបភាព ហើយ​មាន​ប្រភេទ​អ្វី​ខ្លះ?

ការបង្ហាប់រូបភាពគឺជាដំណើរការនៃការបំលែងរូបភាព ដូច្នេះវាត្រូវការទំហំតិច។ ការរក្សាទុករូបភាពដោយសាមញ្ញនឹងចំណាយពេលច្រើន ដូច្នេះមានកូឌិកដូចជា JPEG និង PNG ដែលមានបំណងកាត់បន្ថយទំហំរូបភាពដើម។

ដូចដែលអ្នកបានដឹងហើយថាការបង្ហាប់រូបភាពមានពីរប្រភេទ៖ គ្មានការខាតបង់ и ជាមួយនឹងការខាតបង់. ដូចដែលឈ្មោះបានបង្ហាញ ការបង្ហាប់ដែលគ្មានការបាត់បង់អាចសង្គ្រោះទិន្នន័យរូបភាពដើម ខណៈពេលដែលការបង្ហាប់បាត់បង់បាត់បង់ទិន្នន័យមួយចំនួនអំឡុងពេលបង្ហាប់។ ឧទាហរណ៍ JPG គឺជាក្បួនដោះស្រាយការបាត់បង់ [ប្រហាក់ប្រហែល។ ការបកប្រែ - ជាមូលដ្ឋាន សូមកុំភ្លេចអំពី JPEG ដែលគ្មានការបាត់បង់] ហើយ PNG គឺជាក្បួនដោះស្រាយដែលមិនបាត់បង់។

ការប្រៀបធៀបការបង្ហាប់គ្មានការបាត់បង់ និងការបាត់បង់

ចំណាំថារូបភាពនៅខាងស្តាំមានវត្ថុបុរាណប្លុកជាច្រើន។ នេះគឺជាព័ត៌មានដែលបាត់បង់។ ភីកសែល​នៅ​ជាប់​គ្នា​នៃ​ពណ៌​ស្រដៀង​គ្នា​ត្រូវ​បាន​បង្ហាប់​ជា​ផ្ទៃ​មួយ​ដើម្បី​សន្សំ​ទំហំ ប៉ុន្តែ​ព័ត៌មាន​អំពី​ភីកសែល​ពិត​ត្រូវ​បាន​បាត់បង់។ ជា​ការ​ពិត​ណាស់ ក្បួន​ដោះស្រាយ​ដែល​ប្រើ​ក្នុង JPEG, PNG ជាដើម​គឺ​មាន​លក្ខណៈ​ស្មុគស្មាញ​ជាង ប៉ុន្តែ​នេះ​ជា​ឧទាហរណ៍​ដ៏​វិចារណញាណ​ល្អ​នៃ​ការ​បង្ហាប់​ដែល​បាត់បង់។ ការបង្ហាប់ដោយគ្មានការបាត់បង់គឺល្អ ប៉ុន្តែឯកសារដែលបានបង្ហាប់ដោយគ្មានការបាត់បង់យកទំហំថាសច្រើន។ មានវិធីដែលមានប្រសិទ្ធភាពជាងមុនក្នុងការបង្ហាប់រូបភាពដោយមិនបាត់បង់ព័ត៌មានច្រើន ប៉ុន្តែពួកវាមានភាពយឺតយ៉ាវ ហើយមនុស្សជាច្រើនប្រើវិធីសាស្រ្តដដែលៗ។ នេះមានន័យថា ពួកវាមិនអាចដំណើរការស្របគ្នានៅលើ CPU ឬ GPU cores ច្រើន។ ការកំណត់នេះធ្វើឱ្យពួកគេមិនអាចអនុវត្តបានទាំងស្រុងសម្រាប់ការប្រើប្រាស់ប្រចាំថ្ងៃ។

ការបញ្ចូលបណ្តាញសរសៃប្រសាទ Convolutional

ប្រសិនបើអ្វីមួយត្រូវគណនា ហើយការគណនាប្រហែលជាប្រហាក់ប្រហែល សូមបន្ថែម ប​ណ្តា​ញ​ញាណ. អ្នកនិពន្ធបានប្រើបណ្តាញសរសៃប្រសាទ convolutional ស្តង់ដារត្រឹមត្រូវ ដើម្បីកែលម្អការបង្ហាប់រូបភាព។ វិធីសាស្រ្តដែលបានបង្ហាញមិនត្រឹមតែដំណើរការស្មើៗគ្នាជាមួយនឹងដំណោះស្រាយដ៏ល្អបំផុត (ប្រសិនបើមិនប្រសើរជាង) វាក៏អាចប្រើការគណនាប៉ារ៉ាឡែលដែលបណ្តាលឱ្យមានការកើនឡើងយ៉ាងខ្លាំងនៃល្បឿន។ ហេតុផលគឺថាបណ្តាញសរសៃប្រសាទ convolutional (CNNs) គឺល្អណាស់ក្នុងការទាញយកព័ត៌មានទំហំពីរូបភាព ដែលបន្ទាប់មកត្រូវបានតំណាងក្នុងទម្រង់បង្រួមជាង (ឧទាហរណ៍ មានតែរូបភាព "សំខាន់" ប៉ុណ្ណោះត្រូវបានរក្សាទុក)។ អ្នកនិពន្ធចង់ប្រើលក្ខណៈពិសេសរបស់ CNN ដើម្បីតំណាងឱ្យរូបភាពកាន់តែប្រសើរ។

ស្ថាបត្យកម្ម

អ្នកនិពន្ធបានស្នើឱ្យមានបណ្តាញពីរ។ បណ្តាញទីមួយយករូបភាពជាការបញ្ចូល និងបង្កើតតំណាងបង្រួម (ComCNN)។ បន្ទាប់មកលទ្ធផលនៃបណ្តាញនេះត្រូវបានដំណើរការដោយកូឌិកស្តង់ដារ (ដូចជា JPEG)។ នៅពេលដែលបានដំណើរការដោយកូឌិក រូបភាពត្រូវបានបញ្ជូនទៅបណ្តាញទីពីរ ដែល "កែ" រូបភាពពីកូឌិកក្នុងការប៉ុនប៉ងដើម្បីត្រឡប់រូបភាពដើមវិញ។ អ្នកនិពន្ធបានហៅបណ្តាញនេះថា ការកសាងឡើងវិញ CNN (RecCNN) ។ ដូច GANs បណ្តាញទាំងពីរត្រូវបានបណ្តុះបណ្តាលម្តងហើយម្តងទៀត។

តំណាង ComCNN Compact បានផ្ទេរទៅកូឌិកស្តង់ដារ

RecCNN ។ ទិន្នផល ComCNN ត្រូវបានធ្វើមាត្រដ្ឋាន និងផ្តល់អាហារដល់ RecCNN ដែលនឹងព្យាយាមសិក្សាអ្វីដែលនៅសេសសល់

លទ្ធផល​កូឌិក​ត្រូវ​បាន​ធ្វើ​មាត្រដ្ឋាន ហើយ​បន្ទាប់​មក​ត្រូវ​បាន​បញ្ចូល​ទៅ RecCNN ។ RecCNN នឹងព្យាយាមបញ្ចេញរូបភាពដែលស្រដៀងនឹងដើមតាមដែលអាចធ្វើទៅបាន។

គ្រោងការណ៍បង្ហាប់រូបភាពពីចុងដល់ចុង។ Co.) គឺជាក្បួនដោះស្រាយការបង្ហាប់រូបភាព។ អ្នកនិពន្ធបានប្រើ JPEG, JPEG2000 និង BPG

តើអ្វីដែលនៅសល់?

អ្វីដែលនៅសេសសល់អាចត្រូវបានគិតថាជាជំហានក្រោយដំណើរការដើម្បី "ពង្រឹង" រូបភាពដែលត្រូវបានឌិកូដដោយកូឌិក។ ជាមួយនឹង "ព័ត៌មាន" ជាច្រើនអំពីពិភពលោក បណ្តាញសរសៃប្រសាទអាចធ្វើការសម្រេចចិត្តអំពីការយល់ដឹងអំពីអ្វីដែលត្រូវជួសជុល។ គំនិតនេះគឺផ្អែកលើ ការបណ្តុះបណ្តាលសំណល់អានព័ត៌មានលម្អិតដែលអ្នកអាចធ្វើបាន នៅទីនេះ.

មុខងារបាត់បង់

មុខងារបាត់បង់ពីរត្រូវបានប្រើព្រោះយើងមានបណ្តាញសរសៃប្រសាទពីរ។ ទីមួយនៃទាំងនេះ ComCNN ត្រូវបានដាក់ស្លាក L1 ហើយត្រូវបានកំណត់ដូចខាងក្រោម:

មុខងារបាត់បង់សម្រាប់ ComCNN

ការពន្យល់

សមីការ​នេះ​អាច​មើល​ទៅ​ហាក់​ដូច​ជា​ស្មុគស្មាញ ប៉ុន្តែ​តាម​ពិត​វា​ជា​ស្តង់ដារ (មាន​ន័យ​ថា​កំហុស​ការ​ការ៉េ) MSE. ||² មានន័យថា បទដ្ឋាននៃវ៉ិចទ័រដែលពួកគេរុំព័ទ្ធ។

សមីការ 1.1

Cr បង្ហាញពីលទ្ធផលនៃ ComCNN ។ θ បង្ហាញពីភាពអាចហ្វឹកហាត់បាននៃប៉ារ៉ាម៉ែត្រ ComCNN, XK គឺជារូបភាពបញ្ចូល

សមីការ 1.2

Re() តំណាងឱ្យ RecCNN ។ សមីការនេះគ្រាន់តែបញ្ជូនតម្លៃនៃសមីការ 1.1 ទៅ RecCNN ។ θ បង្ហាញពីប៉ារ៉ាម៉ែត្រដែលអាចបណ្តុះបណ្តាលបាននៃ RecCNN (មួកនៅលើកំពូលមានន័យថាប៉ារ៉ាម៉ែត្រត្រូវបានជួសជុល) ។

និយមន័យវិចារណញាណ

សមីការ 1.0 នឹងបង្ខំឱ្យ ComCNN ផ្លាស់ប្តូរទម្ងន់របស់វា ដូចនេះ នៅពេលដែលបង្កើតឡើងវិញដោយប្រើ RecCNN រូបភាពចុងក្រោយមើលទៅស្រដៀងនឹងរូបភាពបញ្ចូលតាមដែលអាចធ្វើទៅបាន។ មុខងារការបាត់បង់ RecCNN ទីពីរត្រូវបានកំណត់ដូចខាងក្រោម:

សមីការ 2.0

ការពន្យល់

ជាថ្មីម្តងទៀតមុខងារអាចមើលទៅស្មុគស្មាញ ប៉ុន្តែវាគឺសម្រាប់ផ្នែកភាគច្រើន មុខងារបាត់បង់បណ្តាញសរសៃប្រសាទស្តង់ដារ (MSE)។

សមីការ 2.1

Co() មាន​ន័យ​ថា​លទ្ធផល​កូឌិក x ដែល​មាន​មួក​នៅ​ខាង​លើ​មាន​ន័យ​ថា​ទិន្នផល ComCNN ។ θ2 គឺជាប៉ារ៉ាម៉ែត្រដែលអាចបណ្តុះបណ្តាលបានរបស់ RecCNN, res() គ្រាន់តែជាលទ្ធផលដែលនៅសល់របស់ RecCNN ។ គួរកត់សម្គាល់ថា RecCNN ត្រូវបានបណ្តុះបណ្តាលលើភាពខុសគ្នារវាង Co() និងរូបភាពបញ្ចូល ប៉ុន្តែមិនមែននៅលើរូបភាពបញ្ចូលនោះទេ។

និយមន័យវិចារណញាណ

សមីការ 2.0 នឹងបង្ខំឱ្យ RecCNN ផ្លាស់ប្តូរទម្ងន់របស់វា ដើម្បីឱ្យលទ្ធផលមើលទៅស្រដៀងនឹងរូបភាពបញ្ចូលតាមដែលអាចធ្វើបាន។

គ្រោងការណ៍សិក្សា

ម៉ូដែលត្រូវបានបណ្តុះបណ្តាលម្តងហើយម្តងទៀតស្រដៀងនឹង GAN. ទម្ងន់របស់ម៉ូដែលទីមួយត្រូវបានជួសជុលខណៈពេលដែលទម្ងន់របស់ម៉ូដែលទីពីរត្រូវបានធ្វើបច្ចុប្បន្នភាពបន្ទាប់មកទម្ងន់របស់ម៉ូដែលទីពីរត្រូវបានជួសជុលខណៈពេលដែលគំរូទីមួយត្រូវបានហ្វឹកហាត់។

តេស្ត។

អ្នកនិពន្ធបានប្រៀបធៀបវិធីសាស្រ្តរបស់ពួកគេជាមួយនឹងវិធីសាស្រ្តដែលមានស្រាប់ រួមទាំងកូឌិកសាមញ្ញផងដែរ។ វិធីសាស្រ្តរបស់ពួកគេដំណើរការបានល្អជាងអ្នកដទៃខណៈពេលដែលរក្សាបាននូវល្បឿនលឿននៅលើផ្នែករឹងដែលសមស្រប។ លើសពីនេះ អ្នកនិពន្ធបានព្យាយាមប្រើតែបណ្តាញមួយក្នុងចំណោមបណ្តាញទាំងពីរ ហើយបានកត់សម្គាល់ពីការធ្លាក់ចុះនៃដំណើរការ។

ការប្រៀបធៀបសន្ទស្សន៍ភាពស្រដៀងគ្នារចនាសម្ព័ន្ធ (SSIM) ។ តម្លៃខ្ពស់បង្ហាញពីភាពស្រដៀងគ្នាកាន់តែប្រសើរទៅនឹងដើម។ លទ្ធផលនៃការងាររបស់អ្នកនិពន្ធត្រូវបានគូសបញ្ជាក់ជាដិត។

សេចក្តីសន្និដ្ឋាន

យើងបានក្រឡេកមើលវិធីថ្មីមួយដើម្បីប្រើប្រាស់ការរៀនស៊ីជម្រៅសម្រាប់ការបង្រួមរូបភាព ហើយបាននិយាយអំពីលទ្ធភាពនៃការប្រើប្រាស់បណ្តាញសរសៃប្រសាទនៅក្នុងកិច្ចការដែលលើសពី "ទូទៅ" ដូចជាការចាត់ថ្នាក់រូបភាព និងដំណើរការភាសា។ វិធីសាស្រ្តនេះមិនត្រឹមតែមិនទាបជាងតម្រូវការទំនើបប៉ុណ្ណោះទេ ប៉ុន្តែថែមទាំងអនុញ្ញាតឱ្យអ្នកដំណើរការរូបភាពបានលឿនជាងមុនទៀតផង។

វាកាន់តែងាយស្រួលសិក្សាពីបណ្តាញសរសៃប្រសាទ ពីព្រោះយើងបានបង្កើតលេខកូដផ្សព្វផ្សាយជាពិសេសសម្រាប់អ្នករស់នៅ Khabra HABRផ្តល់ការបញ្ចុះតម្លៃបន្ថែម 10% ទៅលើការបញ្ចុះតម្លៃដែលបានបង្ហាញនៅលើផ្ទាំងបដា។

• បង្រៀនជំនាញ Data Science ពីដំបូង
• វិទ្យាសាស្រ្តទិន្នន័យ កម្មវិធី Bootcamp អនឡាញ
• បណ្តុះបណ្តាលវិជ្ជាជីវៈអ្នកវិភាគទិន្នន័យពីដំបូង
• ការវិភាគទិន្នន័យលើបណ្តាញ Bootcamp
• Python សម្រាប់វគ្គសិក្សាអភិវឌ្ឍន៍គេហទំព័រ

វគ្គសិក្សាច្រើនទៀត

• វគ្គសិក្សាវិភាគទិន្នន័យ
• វគ្គសិក្សា DevOps
• អ្នកបង្កើតគេហទំព័រអាជីព
• មុខរបរអ្នកអភិវឌ្ឍន៍ iOS ពីដំបូង
• វិជ្ជាជីវៈអ្នកអភិវឌ្ឍន៍ Android ពីដំបូង
• វិជ្ជាជីវៈអ្នកអភិវឌ្ឍន៍ Java ពីដំបូង
• វគ្គសិក្សា JavaScript
• វគ្គសិក្សាម៉ាស៊ីន
• វគ្គសិក្សា "គណិតវិទ្យា និងម៉ាស៊ីនរៀនសម្រាប់វិទ្យាសាស្ត្រទិន្នន័យ"
• វគ្គសិក្សាកម្រិតខ្ពស់ "Machine Learning Pro + Deep Learning"

អត្ថបទពិសេស

• របៀបក្លាយជាអ្នកវិទ្យាសាស្ត្រទិន្នន័យដោយគ្មានវគ្គសិក្សាតាមអ៊ីនធឺណិត
• វគ្គសិក្សា Ivy League ឥតគិតថ្លៃចំនួន 450
• របៀបសិក្សា Machine Learning 5 ថ្ងៃក្នុងមួយសប្តាហ៍រយៈពេល 9 ខែជាប់គ្នា។
• តើអ្នកវិភាគទិន្នន័យរកបានប៉ុន្មាន៖ ទិដ្ឋភាពទូទៅនៃប្រាក់ខែ និងតំណែងទំនេរនៅក្នុងប្រទេសរុស្ស៊ី និងនៅបរទេសក្នុងឆ្នាំ ២០២០
• ការរៀនម៉ាស៊ីន និងចក្ខុវិស័យកុំព្យូទ័រក្នុងឧស្សាហកម្មរ៉ែ

ប្រភព: www.habr.com