ການນໍາໃຊ້ AI ເພື່ອ overcompress ຮູບພາບ

ສູດການຄິດໄລ່ທີ່ຂັບເຄື່ອນດ້ວຍຂໍ້ມູນເຊັ່ນ: ເຄືອຂ່າຍ neural ໄດ້ເອົາໂລກໄປໂດຍພະຍຸ. ການພັດທະນາຂອງພວກເຂົາແມ່ນຍ້ອນເຫດຜົນຫຼາຍຢ່າງ, ລວມທັງຮາດແວລາຄາຖືກແລະມີອໍານາດແລະຂໍ້ມູນຈໍານວນຫຼວງຫຼາຍ. ປະຈຸບັນເຄືອຂ່າຍ neural ແມ່ນຢູ່ໃນແຖວຫນ້າຂອງທຸກສິ່ງທຸກຢ່າງທີ່ກ່ຽວຂ້ອງກັບວຽກງານ "ສະຕິປັນຍາ" ເຊັ່ນ: ການຮັບຮູ້ຮູບພາບ, ຄວາມເຂົ້າໃຈພາສາທໍາມະຊາດ, ແລະອື່ນໆ. ແຕ່ພວກເຂົາບໍ່ຄວນຈໍາກັດກັບວຽກງານດັ່ງກ່າວ. ເອກະສານນີ້ອະທິບາຍວິທີການບີບອັດຮູບພາບໂດຍໃຊ້ເຄືອຂ່າຍ neural ໂດຍໃຊ້ການຮຽນຮູ້ທີ່ເຫຼືອ. ວິທີການທີ່ນໍາສະເຫນີໃນບົດຄວາມເຮັດວຽກໄວແລະດີກ່ວາຕົວແປງສັນຍານມາດຕະຖານ. ຮູບແບບ, ສົມຜົນແລະ, ແນ່ນອນ, ຕາຕະລາງທີ່ມີການທົດສອບພາຍໃຕ້ການຕັດ.

ບົດຄວາມນີ້ແມ່ນອີງໃສ່ ນີ້ ເຮັດວຽກ. ມັນສົມມຸດວ່າທ່ານຄຸ້ນເຄີຍກັບເຄືອຂ່າຍ neural ແລະແນວຄວາມຄິດຂອງພວກເຂົາ convolution и ການ​ທໍາ​ງານ​ການ​ສູນ​ເສຍ​.

ການບີບອັດຮູບພາບແມ່ນຫຍັງ ແລະມັນເຂົ້າມາໃນປະເພດໃດແດ່?

ການບີບອັດຮູບພາບແມ່ນຂະບວນການປ່ຽນຮູບພາບເພື່ອໃຫ້ມັນໃຊ້ພື້ນທີ່ຫນ້ອຍລົງ. ການເກັບຮັກສາຮູບພາບພຽງແຕ່ໃຊ້ເວລາຫຼາຍ, ດັ່ງນັ້ນມີຕົວແປງສັນຍານເຊັ່ນ JPEG ແລະ PNG ທີ່ມີຈຸດປະສົງເພື່ອຫຼຸດຜ່ອນຂະຫນາດຂອງຮູບຕົ້ນສະບັບ.

ຕາມທີ່ທ່ານຮູ້, ມີສອງປະເພດຂອງການບີບອັດຮູບພາບ: ບໍ່ມີການສູນເສຍ и ກັບການສູນເສຍ. ໃນຖານະເປັນຊື່ແນະນໍາ, ການບີບອັດ lossless ສາມາດຟື້ນຕົວຂໍ້ມູນຮູບພາບຕົ້ນສະບັບ, ໃນຂະນະທີ່ການບີບອັດ lossy ຈະສູນເສຍຂໍ້ມູນບາງຢ່າງໃນລະຫວ່າງການບີບອັດ. ຕົວຢ່າງ, JPG ແມ່ນ lossy algorithms [ປະມານ. ການແປ - ໂດຍພື້ນຖານແລ້ວ, ຢ່າລືມກ່ຽວກັບ lossless JPEG], ແລະ PNG ເປັນສູດການຄິດໄລ່ການສູນເສຍ.

ການປຽບທຽບການບີບອັດ lossless ແລະ lossy

ໃຫ້ສັງເກດວ່າຮູບພາບທາງດ້ານຂວາມີຫຼາຍຂອງປອມ blocky. ນີ້ແມ່ນຂໍ້ມູນສູນເສຍ. pixels ທີ່ຢູ່ໃກ້ຄຽງຂອງສີທີ່ຄ້າຍຄືກັນແມ່ນຖືກບີບອັດເປັນພື້ນທີ່ຫນຶ່ງເພື່ອຊ່ວຍປະຢັດພື້ນທີ່, ແຕ່ຂໍ້ມູນກ່ຽວກັບ pixels ຕົວຈິງແມ່ນສູນເສຍໄປ. ແນ່ນອນ, ສູດການຄິດໄລ່ທີ່ໃຊ້ໃນ JPEG, PNG, ແລະອື່ນໆ codecs ແມ່ນສັບສົນຫຼາຍ, ແຕ່ນີ້ແມ່ນຕົວຢ່າງ intuitive ທີ່ດີຂອງການບີບອັດການສູນເສຍ. ການບີບອັດ Lossless ແມ່ນດີ, ແຕ່ໄຟລ໌ທີ່ຖືກບີບອັດ losslessly ໃຊ້ພື້ນທີ່ດິສກ໌ຫຼາຍ. ມີວິທີການທີ່ມີປະສິດທິພາບຫຼາຍໃນການບີບອັດຮູບພາບໂດຍບໍ່ສູນເສຍຂໍ້ມູນຫຼາຍ, ແຕ່ພວກມັນຂ້ອນຂ້າງຊ້າແລະຫຼາຍໆຄົນໃຊ້ວິທີການຊ້ໍາກັນ. ນີ້ຫມາຍຄວາມວ່າພວກເຂົາບໍ່ສາມາດດໍາເນີນການຂະຫນານໃນ CPU ຫຼື GPU ຫຼາຍແກນ. ຂໍ້ຈໍາກັດນີ້ເຮັດໃຫ້ພວກມັນບໍ່ມີປະໂຫຍດຢ່າງສົມບູນສໍາລັບການນໍາໃຊ້ປະຈໍາວັນ.

Convolutional Neural Network Input

ຖ້າບາງສິ່ງບາງຢ່າງຕ້ອງໄດ້ຮັບການຄິດໄລ່ແລະການຄິດໄລ່ອາດຈະເປັນປະມານ, ເພີ່ມ ເຄືອຂ່າຍ neural. ຜູ້ຂຽນໄດ້ໃຊ້ເຄືອຂ່າຍ neural convolutional ມາດຕະຖານພໍສົມຄວນເພື່ອປັບປຸງການບີບອັດຮູບພາບ. ວິທີການທີ່ນໍາສະເຫນີບໍ່ພຽງແຕ່ປະຕິບັດເທົ່າກັບການແກ້ໄຂທີ່ດີທີ່ສຸດ (ຖ້າບໍ່ດີກວ່າ), ມັນຍັງສາມາດໃຊ້ຄອມພິວເຕີ້ຂະຫນານ, ເຮັດໃຫ້ມີຄວາມໄວເພີ່ມຂຶ້ນຢ່າງຫຼວງຫຼາຍ. ເຫດຜົນແມ່ນວ່າເຄືອຂ່າຍ neural convolutional (CNNs) ແມ່ນດີຫຼາຍໃນການສະກັດຂໍ້ມູນທາງກວ້າງຂອງພື້ນທີ່ຈາກຮູບພາບ, ເຊິ່ງຫຼັງຈາກນັ້ນໄດ້ຖືກສະແດງຢູ່ໃນຮູບແບບທີ່ຫນາແຫນ້ນກວ່າ (ຕົວຢ່າງ, ມີພຽງແຕ່ສ່ວນ "ທີ່ສໍາຄັນ" ຂອງຮູບພາບທີ່ຖືກຮັກສາໄວ້). ຜູ້ຂຽນຕ້ອງການໃຊ້ຄຸນສົມບັດນີ້ຂອງ CNN ເພື່ອເປັນຕົວແທນຂອງຮູບພາບທີ່ດີກວ່າ.

ຖາປັດຕະຍະ

ຜູ້ຂຽນໄດ້ສະເຫນີເຄືອຂ່າຍຄູ່. ເຄືອຂ່າຍທໍາອິດໃຊ້ເວລາຮູບພາບເປັນການປ້ອນຂໍ້ມູນແລະສ້າງການເປັນຕົວແທນທີ່ຫນາແຫນ້ນ (ComCNN). ຜົນໄດ້ຮັບຂອງເຄືອຂ່າຍນີ້ຈະຖືກປະມວນຜົນໂດຍຕົວແປງສັນຍານມາດຕະຖານ (ເຊັ່ນ: JPEG). ເມື່ອປະມວນຜົນໂດຍຕົວແປງສັນຍານ, ຮູບພາບຖືກສົ່ງໄປຫາເຄືອຂ່າຍທີສອງ, ເຊິ່ງ "ແກ້ໄຂ" ຮູບພາບຈາກຕົວແປງສັນຍານໃນຄວາມພະຍາຍາມທີ່ຈະກັບຄືນຮູບພາບຕົ້ນສະບັບ. ຜູ້ຂຽນເອີ້ນເຄືອຂ່າຍນີ້ວ່າ CNN (RecCNN). ເຊັ່ນດຽວກັບ GANs, ທັງສອງເຄືອຂ່າຍແມ່ນໄດ້ຮັບການຝຶກອົບຮົມຊ້ຳໆ.

ການເປັນຕົວແທນຂອງ ComCNN Compact ຖືກໂອນໄປຫາຕົວແປງສັນຍານມາດຕະຖານ

RecCNN. ຜົນຜະລິດ ComCNN ແມ່ນເພີ່ມຂຶ້ນແລະຖືກປ້ອນໃຫ້ RecCNN, ເຊິ່ງຈະພະຍາຍາມຮຽນຮູ້ສ່ວນທີ່ເຫຼືອ

ຜົນຜະລິດຕົວແປງສັນຍານຖືກປັບຂຶ້ນແລ້ວສົ່ງໃຫ້ RecCNN. RecCNN ຈະພະຍາຍາມອອກຮູບພາບທີ່ຄ້າຍຄືກັບຕົ້ນສະບັບເທົ່າທີ່ເປັນໄປໄດ້.

ກອບການບີບອັດຮູບພາບຈາກຈຸດຈົບ. Co(.) ແມ່ນລະບົບການບີບອັດຮູບພາບ. ຜູ້ຂຽນໄດ້ໃຊ້ JPEG, JPEG2000 ແລະ BPG

ສ່ວນທີ່ເຫຼືອແມ່ນຫຍັງ?

ສ່ວນທີ່ເຫລືອສາມາດຄິດວ່າເປັນຂັ້ນຕອນຫຼັງການປຸງແຕ່ງເພື່ອ "ປັບປຸງ" ຮູບພາບທີ່ຖືກຖອດລະຫັດໂດຍຕົວແປງສັນຍານ. ດ້ວຍ "ຂໍ້ມູນ" ຫຼາຍຢ່າງກ່ຽວກັບໂລກ, ເຄືອຂ່າຍ neural ສາມາດເຮັດໃຫ້ການຕັດສິນໃຈກ່ຽວກັບມັນສະຫມອງກ່ຽວກັບສິ່ງທີ່ຕ້ອງແກ້ໄຂ. ແນວຄວາມຄິດນີ້ແມ່ນອີງໃສ່ ການຝຶກອົບຮົມທີ່ຍັງເຫຼືອ, ອ່ານລາຍລະອຽດທີ່ທ່ານສາມາດເຮັດໄດ້ ທີ່ນີ້.

ຫນ້າທີ່ສູນເສຍ

ສອງຟັງຊັນການສູນເສຍຖືກນໍາໃຊ້ເພາະວ່າພວກເຮົາມີສອງເຄືອຂ່າຍ neural. ທໍາອິດ, ComCNN, ແມ່ນຕິດສະຫຼາກ L1 ແລະຖືກກໍານົດດັ່ງຕໍ່ໄປນີ້:

ຟັງຊັນການສູນເສຍສໍາລັບ ComCNN

ຄໍາອະທິບາຍ

ສົມຜົນນີ້ອາດເບິ່ງຄືວ່າສັບສົນ, ແຕ່ຕົວຈິງແລ້ວມັນເປັນມາດຕະຖານ (ໝາຍເຖິງຄວາມຜິດພາດສອງເທົ່າ) MSE. ||² ໝາຍເຖິງມາດຕະຖານຂອງ vector ທີ່ເຂົາເຈົ້າຕິດຢູ່.

ສົມຜົນ 1.1

Cr ຫມາຍເຖິງຜົນຜະລິດຂອງ ComCNN. θສະແດງເຖິງຄວາມສາມາດໃນການຝຶກອົບຮົມຂອງຕົວກໍານົດການ ComCNN, XK ແມ່ນຮູບພາບການປ້ອນຂໍ້ມູນ

ສົມຜົນ 1.2

Re() ຫຍໍ້ມາຈາກ RecCNN. ສົມຜົນນີ້ພຽງແຕ່ສົ່ງຄ່າຂອງສົມຜົນ 1.1 ໄປຫາ RecCNN. θ ໝາຍ ເຖິງຕົວກໍານົດການທີ່ສາມາດຝຶກໄດ້ຂອງ RecCNN (ຫມວກຢູ່ເທິງສຸດຫມາຍຄວາມວ່າຕົວກໍານົດການຖືກແກ້ໄຂ).

ຄໍານິຍາມ intuitive

ສົມຜົນ 1.0 ຈະບັງຄັບໃຫ້ ComCNN ປ່ຽນແປງນ້ໍາຫນັກຂອງຕົນເຊັ່ນວ່າ, ເມື່ອສ້າງໃຫມ່ໂດຍໃຊ້ RecCNN, ຮູບພາບສຸດທ້າຍຈະມີລັກສະນະຄ້າຍຄືກັນກັບຮູບພາບການປ້ອນຂໍ້ມູນທີ່ເປັນໄປໄດ້. ຟັງຊັນການສູນເສຍ RecCNN ທີສອງແມ່ນຖືກກໍານົດດັ່ງຕໍ່ໄປນີ້:

ສົມຜົນ 2.0

ຄໍາອະທິບາຍ

ອີກເທື່ອຫນຶ່ງ, ຟັງຊັນອາດຈະເບິ່ງຄືວ່າສະລັບສັບຊ້ອນ, ແຕ່ວ່າມັນແມ່ນສໍາລັບສ່ວນໃຫຍ່ຂອງຫນ້າທີ່ສູນເສຍເຄືອຂ່າຍ neural ມາດຕະຖານ (MSE).

ສົມຜົນ 2.1

Co() ຫມາຍ​ຄວາມ​ວ່າ​ຜົນ​ຜະ​ລິດ​ຕົວ​ແປງ​ສັນ​ຍານ​, x ທີ່​ມີ​ຫລວງ​ເທິງ​ຫມາຍ​ຄວາມ​ວ່າ​ຜົນ​ຜະ​ລິດ ComCNN​. θ2 ແມ່ນຕົວກໍານົດການການຝຶກອົບຮົມຂອງ RecCNN, res() ແມ່ນພຽງແຕ່ຜົນຜະລິດທີ່ຕົກຄ້າງຂອງ RecCNN. ມັນເປັນມູນຄ່າທີ່ສັງເກດວ່າ RecCNN ໄດ້ຮັບການຝຶກອົບຮົມກ່ຽວກັບຄວາມແຕກຕ່າງລະຫວ່າງ Co() ແລະຮູບພາບການປ້ອນຂໍ້ມູນ, ແຕ່ບໍ່ແມ່ນຢູ່ໃນຮູບພາບທີ່ປ້ອນເຂົ້າ.

ຄໍານິຍາມ intuitive

ສົມຜົນ 2.0 ຈະບັງຄັບໃຫ້ RecCNN ປ່ຽນແປງນ້ຳໜັກຂອງມັນເພື່ອໃຫ້ຜົນໄດ້ຮັບມີລັກສະນະຄ້າຍຄືກັນກັບຮູບພາບທີ່ປ້ອນເຂົ້າໄດ້ເທົ່າທີ່ເປັນໄປໄດ້.

ໂຄງ​ການ​ການ​ຮຽນ​ຮູ້​

ແບບຈໍາລອງໄດ້ຖືກຝຶກອົບຮົມຊ້ໍາກັນ, ຄ້າຍຄືກັນກັບ GAN. ນ້ ຳ ໜັກ ຂອງຕົວແບບທໍາອິດຖືກແກ້ໄຂໃນຂະນະທີ່ນ້ ຳ ໜັກ ຂອງຕົວແບບທີສອງຖືກປັບປຸງ, ຈາກນັ້ນນ້ ຳ ໜັກ ຂອງຕົວແບບທີສອງຖືກແກ້ໄຂໃນຂະນະທີ່ຕົວແບບ ທຳ ອິດຖືກຝຶກອົບຮົມ.

ການທົດສອບ

ຜູ້ຂຽນໄດ້ປຽບທຽບວິທີການຂອງເຂົາເຈົ້າກັບວິທີການທີ່ມີຢູ່ແລ້ວ, ລວມທັງຕົວແປງສັນຍານງ່າຍດາຍ. ວິທີການຂອງພວກເຂົາເຮັດວຽກດີກ່ວາຄົນອື່ນໃນຂະນະທີ່ຮັກສາຄວາມໄວສູງໃນຮາດແວທີ່ເຫມາະສົມ. ນອກຈາກນັ້ນ, ຜູ້ຂຽນໄດ້ພະຍາຍາມໃຊ້ພຽງແຕ່ຫນຶ່ງໃນສອງເຄືອຂ່າຍແລະສັງເກດເຫັນການຫຼຸດລົງໃນການປະຕິບັດ.

ການປຽບທຽບດັດຊະນີຄວາມຄ້າຍຄືກັນໂຄງສ້າງ (SSIM). ຄຸນຄ່າສູງຊີ້ໃຫ້ເຫັນຄວາມຄ້າຍຄືກັນທີ່ດີກວ່າກັບຕົ້ນສະບັບ. ຜົນໄດ້ຮັບຂອງວຽກງານຂອງຜູ້ຂຽນແມ່ນເນັ້ນໃສ່ຢ່າງກ້າຫານ.

ສະຫລຸບ

ພວກເຮົາໄດ້ເບິ່ງວິທີການໃຫມ່ໃນການນໍາໃຊ້ການຮຽນຮູ້ເລິກສໍາລັບການບີບອັດຮູບພາບ, ແລະເວົ້າກ່ຽວກັບຄວາມເປັນໄປໄດ້ຂອງການນໍາໃຊ້ເຄືອຂ່າຍ neural ໃນວຽກງານທີ່ນອກເຫນືອຈາກ "ທົ່ວໄປ", ເຊັ່ນການຈັດປະເພດຮູບພາບແລະການປຸງແຕ່ງພາສາ. ວິທີການນີ້ບໍ່ພຽງແຕ່ບໍ່ຕໍ່າກວ່າຄວາມຕ້ອງການທີ່ທັນສະໄຫມ, ແຕ່ຍັງຊ່ວຍໃຫ້ທ່ານສາມາດປຸງແຕ່ງຮູບພາບໄດ້ໄວຂຶ້ນ.

ມັນໄດ້ກາຍເປັນງ່າຍຕໍ່ການສຶກສາເຄືອຂ່າຍ neural, ເພາະວ່າພວກເຮົາໄດ້ສ້າງລະຫັດສົ່ງເສີມໂດຍສະເພາະສໍາລັບຊາວ Khabra HABR, ໃຫ້ສ່ວນຫຼຸດ 10% ເພີ່ມເຕີມຕໍ່ກັບສ່ວນຫຼຸດທີ່ລະບຸໄວ້ໃນປ້າຍໂຄສະນາ.

• ການສອນວິຊາຊີບຂອງ Data Science ຕັ້ງແຕ່ເລີ່ມຕົ້ນ
• ວິທະຍາສາດຂໍ້ມູນອອນໄລນ໌ Bootcamp
• ການຝຶກອົບຮົມວິຊາຊີບຂອງ Data Analyst ຈາກ scratch
• Data Analytics Online Bootcamp
• Python ສໍາລັບຫຼັກສູດການພັດທະນາເວັບ

ຫຼັກສູດເພີ່ມເຕີມ

• ຫຼັກສູດການວິເຄາະຂໍ້ມູນ
• ຫຼັກສູດ DevOps
• ນັກພັດທະນາເວັບ
• ອາຊີບຜູ້ພັດທະນາ iOS ຕັ້ງແຕ່ເລີ່ມຕົ້ນ
• ນັກພັດທະນາ Android ມືອາຊີບຕັ້ງແຕ່ເລີ່ມຕົ້ນ
• ນັກພັດທະນາ Java ມືອາຊີບຕັ້ງແຕ່ເລີ່ມຕົ້ນ
• ຫຼັກສູດ JavaScript
• ຫຼັກສູດການຮຽນຮູ້ເຄື່ອງຈັກ
• ຫຼັກສູດ "ຄະນິດສາດແລະການຮຽນຮູ້ເຄື່ອງຈັກສໍາລັບວິທະຍາສາດຂໍ້ມູນ"
• ຫຼັກສູດຂັ້ນສູງ "ການຮຽນຮູ້ເຄື່ອງຈັກ + ການຮຽນຮູ້ເລິກເຊິ່ງ"

ບົດຄວາມແນະນຳ

• ວິທີການກາຍເປັນນັກວິທະຍາສາດຂໍ້ມູນໂດຍບໍ່ມີຫຼັກສູດອອນໄລນ໌
• 450 ຫຼັກສູດ Ivy League ຟຣີ
• ວິທີການສຶກສາ Machine Learning 5 ມື້ຕໍ່ອາທິດເປັນເວລາ 9 ເດືອນຕິດຕໍ່ກັນ
• ນັກວິເຄາະຂໍ້ມູນມີລາຍໄດ້ຫຼາຍປານໃດ: ພາບລວມຂອງເງິນເດືອນແລະບ່ອນຫວ່າງໃນລັດເຊຍແລະຕ່າງປະເທດໃນປີ 2020
• ການຮຽນຮູ້ເຄື່ອງຈັກ ແລະວິໄສທັດຄອມພິວເຕີໃນອຸດສາຫະກໍາບໍ່ແຮ່

ແຫຼ່ງຂໍ້ມູນ: www.habr.com