استفاده از شبکه عصبی کانولوشن برای کاهش تلفات ایجاد تصاویر در فشرده سازیJPEG

سال انتشار: 1401
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 172

فایل این مقاله در 10 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

CECCONF17_007

تاریخ نمایه سازی: 19 آذر 1401

چکیده مقاله:

در دهه های اخیر، پردازش تصویر دیجیتال محبوبیت زیادی در کاربردهای فراوانی نظیر تشخیص بیماری، خودروهای خودران، پیدا کردن عیوب در قطعات و ... پیدا کرده است. در نتیجه، تعدادی از استراتژی های فشرده سازی داده ها با هدف به حداقل رساندن مقدار اطلاعات مورد نیاز برای نمایش تصاویر ارائه شده است. در این میان فشرده سازی JPEG یکی از رایجترین روشهایی است که در کاربردهای چندرسانه ای و دیجیتال به طور گسترده مورد استفاده قرار گرفته است. ماهیت دورهای تبدیل فوریه گسسته امکان عملی ساختن شرایط دورهای لبه های متضاد تصویر را بدون ایجاد مصنوعات زیاد غیرممکن می سازد، که کیفیت بصری و ادراکی تصویر را کاهش میدهد. از سوی دیگر، در سالهای اخیر یادگیری عمیق به نتایج برجسته ای برای کاربردهایی مانند تشخیص گفتار، کاهش تصویر و پردازش زبان طبیعی دست یافته است. شبکه های عصبی کانولوشنال بیش از سایر انواع شبکه های عصبی عمیق برای پردازش تصویر مورد توجه قرار گرفتهاند. استفاده از کانولوشن در استخراج ویژگی منجر به یک نقشه ویژگی با ابعاد کمتر و مجموعه داده کوچکتر می شود که هر دو برای فشرده سازی تصویر بسیار مهم هستند. در این مقاله، یک روش فشرده سازی تصویر موثر با استفاده از خودرمزنگاراستفاده شده است. یافته های این مطالعه نشان میدهد که با استفاده از خودرمزنگار بازسازی بهتر تصاویر همراه با فشرده سازی بهتر قابل دستیابی است.

نویسندگان

محمدرضا اکرمی

کارشناسی ارشد دانشگاه تهران