Использование нормализующей компоненты при нейросетевом сжатии изображений
Предложены модификации нейронных сетей, используемых для сжатия изображений. Приведены результаты моделирования, свидетельствующие об эффективности описанной модификации. A modification of neural networks for image compression is suggested in the article. Simulation results that demonstrate the effe...
Saved in:
| Published in: | Управляющие системы и машины |
|---|---|
| Date: | 2013 |
| Main Authors: | , , |
| Format: | Article |
| Language: | Russian |
| Published: |
Міжнародний науково-навчальний центр інформаційних технологій і систем НАН та МОН України
2013
|
| Subjects: | |
| Online Access: | https://nasplib.isofts.kiev.ua/handle/123456789/83199 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Journal Title: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Cite this: | Использование нормализующей компоненты при нейросетевом сжатии изображений / О.Г. Руденко, Р.В. Бобнев, А.А. Бессонов // Управляющие системы и машины. — 2013. — № 5. — С. 27-31, 37. — Бібліогр.: 10 назв. — рос. |
Institution
Digital Library of Periodicals of National Academy of Sciences of Ukraine| _version_ | 1860249058436710400 |
|---|---|
| author | Руденко, О.Г. Бобнев, Р.В. Бессонов, А.А. |
| author_facet | Руденко, О.Г. Бобнев, Р.В. Бессонов, А.А. |
| citation_txt | Использование нормализующей компоненты при нейросетевом сжатии изображений / О.Г. Руденко, Р.В. Бобнев, А.А. Бессонов // Управляющие системы и машины. — 2013. — № 5. — С. 27-31, 37. — Бібліогр.: 10 назв. — рос. |
| collection | DSpace DC |
| container_title | Управляющие системы и машины |
| description | Предложены модификации нейронных сетей, используемых для сжатия изображений. Приведены результаты моделирования, свидетельствующие об эффективности описанной модификации.
A modification of neural networks for image compression is suggested in the article. Simulation results that demonstrate the effectiveness of the proposed modification are presented.
Запропоновано модифікації нейронних мереж, які використовуються для стискання зображень. Подано результати моделювання, які свідчать про ефективність описаної модифікації.
|
| first_indexed | 2025-12-07T18:40:41Z |
| format | Article |
| fulltext |
УСиМ, 2013, № 5 27
УДК 519.71
О.Г. Руденко, Р.В. Бобнев, А.А. Бессонов
Использование нормализующей компоненты при нейросетевом сжатии изображений
Предложены модификации нейронных сетей, используемых для сжатия изображений. Приведены результаты моделирования,
свидетельствующие об эффективности описанной модификации.
A modification of neural networks for image compression is suggested in the article. Simulation results that demonstrate the effective-
ness of the proposed modification are presented.
Запропоновано модифікації нейронних мереж, які використовуються для стискання зображень. Подано результати моделю-
вання, які свідчать про ефективність описаної модифікації.
Введение. Непрерывное возрастание объемов
перерабатываемой, в частности, зрительной, ин-
формации обусловливает необходимость ее ком-
пактного представления. Применение с этой
целью традиционных методов, использующих
префиксное или арифметическое кодирование
либо обеспечивающих сжатие без потерь, тре-
бует значительных вычислительных ресурсов.
В то же время наличие в мультимедийной ин-
формации операции дискретизации изображе-
ния и звука позволяет ставить и решать задачу
эффективного сжатия информации с потерями.
В этих условиях перспективным представ-
ляется развитие подхода, в основе которого
лежат искусственные нейронные сети (ИНС).
При этом ИНС могут использоваться как при
сжатии без потерь, так и при реализации сжа-
тия с потерями, как, например, в стандарте JPEG
2000, основанном на вейвлет-преобразовании.
Наиболее значительные результаты в этом
направлении получены на основе самооргани-
зующихся карт Кохонена [1] и сетей встречно-
го распространения, также содержащих слой
нейронов Кохонена [2, 3]. Самоорганизация в
этих сетях представляет собой процесс класте-
ризации образов, осуществляемой аналогично
методу главных компонент.
Модификация сети Кохонена
Если сеть Кохонена используют для разбие-
ния всех пикселей изображения на классы, то
сеть Гроссберга применяется, как правило, для
«конвертации» номера кластера (нейрона побе-
дителя) в соответствующий цвет пикселя. Сле-
дует, однако, отметить, что поскольку на вход-
ной слой сети подаются соответствующие цве-
товые компоненты всех пикселей, то веса каж-
дого нейрона–победителя будут представлять
собой некий опорный образец для каждого
класстера. При обучении сети Гроссберга по
сути подбирается наиболее подходящий по цве-
ту пиксель к номеру кластера. Отбросить же
сеть Гроссберга и непосредственно использо-
вать веса сети Кохонена не представляется
возможным, так как сеть Кохонена практиче-
ски неприменима, если входные данные не нор-
мализованы. Эта нормализация гарантирует, что
процесс обучения приведет к связному разде-
лению пространства данных. Однако такой пред-
обработке данных присущ недостаток, заклю-
чающийся в том, что после обучения сети веса
каждого из нейронов нельзя использовать как
образы–представители соответствующего клас-
са (так как веса тоже нормализованы и проце-
дура получения опорного образца невозможна).
В работе [4] предложена модификация сети
Кохонена, позволяющая напрямую использо-
вать значения весов сети в качестве представи-
телей кластеров.
Данная модификация использует уравнива-
ние длин всех входных векторов к одной вели-
чине, но не к единице, как в классической сети
Кохонена, а к некоторому другому значению.
Это осуществляется путем использования до-
полнительной компоненты входного сигнала
Xmod, вычисляемой так:
n
i
iXAX
0
2
maxmod , (1)
где maxA – максимально представимое число
либо максимально допустимая разрядность
числа вычислительного устройства или АЦП.
28 УСиМ, 2013, № 5
Очевидно, что в данном случае для вычис-
ления нейрона–победителя можно также ис-
пользовать выходы сети, а не вычислять евк-
лидово расстояние. При этом операция по вы-
числению дополнительного входа будет зани-
мать меньше времени, чем операция их норма-
лизации, так как на каждом шаге обучения вы-
числения проводятся только для одного входа,
а не для каждого, как в обычной нормализа-
ции. Хотя добавление дополнительного входа
увеличивает время вычисления выхода, это все
же быстрее, чем вычисление аналогичного ев-
клидова расстояния.
Следует отметить, что такая модификация
не влечет за собой никаких изменений в спо-
собе обучения сети, так как для сети, по сути,
лишь добавился еще один вход, поэтому обу-
чение модифицированной сети Кохонена осу-
ществляется по стандартному алгоритму:
Ш а г 1. Инициализация весов сети.
Ш а г 2. Вычисление взвешенных сумм для
каждого выходного нейрона на основе его
входных значений.
Ш а г 3. Определение нейрона–победителя
(нейрона с максимальным выходным значе-
нием).
Ш а г 4. Коррекция весов нейрона–победи-
теля по формуле
( 1) ( ) ( ) ( ( ) ( )),i i i iw t w t t X t w t 0,i n , (2)
где wi – вес i-го входа нейрона–победителя;
(t) – параметр, влияющий на скорость обуче-
ния сети; Xi – значение i-го входа.
Ш а г 5. Формирование нового входного век-
тора и подача его на вход сети, после чего пе-
реход к п. 2, продолжение обучения до тех пор,
пока не будет достигнуто необходимое число
шагов обучения или обучающих образов.
Предложенная модификация может быть при-
менена практически к любым существующим
реализациям сети Кохонена.
Очевидно, что после обучения сети, веса
каждого из нейронов (за исключением веса,
связанного с дополнительным входом) можно
использовать как вектор–представитель клас-
са. Таким образом, после данной модифика-
ции, сеть Кохонена может быть применена для
решения задач, которые решались только с при-
менением сетей векторного квантования.
Модификация сети «Нейро-Газ»
Очевидно, что такая модификация может
быть легко применима к известной сети «Ней-
ро-Газ», имеющей такую же структуру, как и
сеть Кохонена, и отличающаяся от последней
способом обучения [5–7]. В сети «Нейро-Газ»
после каждого предъявления образа все ней-
роны сети сортируются по значению близости
весов текущего нейрона к предъявленному об-
разу, характеризующейся, как правило, евкли-
довым расстоянием между векторами входного
образа и весами нейрона. Алгоритм подстрой-
ки весов сети выглядит так:
/ ( )( 1) ( ) ( )* ( ( ))k tw t w t t e X w t , (3)
где ( )t – параметр, влияющий на скорость
обучения сети, аналогичный параметру ( )t в
(2); k – индекс нейрона в отсортированном
массиве после предъявления входного образа;
( )t – параметр, определяющий степень влия-
ния удаленности нейрона от входного образа
для текущего момента времени, аналогичный
параметру ( )t .
Модификация радиально-базисной сети
(РБС)
РБС осуществляют аппроксимацию функ-
ции f (x) некоторой системой базисных функ-
ций (БФ) – нелинейных функций (x, t), зави-
сящих от расстояния (радиального) r x t ,
где t – вектор центров БФ. Представление нели-
нейной функции радиально-базисной сетью
имеет вид
0
1
ˆ , ,
N
i i
i
f k a w k
x , `(4)
где 0a – смещение нейрона выходного слоя; iw –
вес связи i-го нейрона скрытого слоя с нейро-
ном выходного слоя; N – число нейронов в
скрытом слое; i – БФ i-го нейрона.
Выбор БФ важен при построении РБС, так
как существенно влияет на сложность вычис-
лений, а для упрощения обычно предполагает-
ся, что активационные функции нейронов оди-
наковы и выбраны экспертом. В РБС в каче-
УСиМ, 2013, № 5 29
стве БФ могут быть использованы, например,
следующие функции:
2
2
( ) exp i
i
i
x
x
, (5)
2
2
2
2
1
i
i
x
i
i
i
x
x e
, (6)
( ) exp i
i
i
x
x
, (7)
2
2
2
( ) expi i
i
i i
x x
x
, (8)
где μі, σі – центры и радиусы базисных функ-
ций соответственно; – евклидова норма.
Существует много методов определения
структуры РБС (количества и вида БФ). На-
пример, изменение структуры сети может осу-
ществляться, как в [8–10]. На первом шаге
структура сети содержит один нейрон с вы-
бранной базисной (активационной) функцией.
Затем подается обучающая последовательность,
и, в зависимости от реакции сети, характери-
зуемой ошибкой е, происходит либо ее обуче-
ние, либо добавление нового нейрона.
При этом изменение структуры путем до-
бавления очередного нейрона происходит вся-
кий раз, когда появление нового входного сиг-
нала приводит к возникновению ошибки е,
превышающей допустимую. Если в l-й момент
времени сеть содержала N нейронов, а появле-
ние сигнала x(l) привело к появлению ошибки
e(l) > eдоп = ε, то в сеть вводится новый, (N+1)-й,
нейрон, центр БФ μN+1 которого принимается
равным μN+1 = x(l), вес – )(1 lewN , и N+1 =
= mx l l , где μm(l) – центр БФ для l-го
входа сигнала. Таким образом, условием вве-
дения нового нейрона есть выполнение нера-
венств
e(l) > ε , (9)
( ) ( ) ,mx l l (10)
где ε и ρ – априорно устанавливаемые пре-
дельно допустимые значения ошибки реакции
сети и отклонения обобщенного сигнала xl от
ближайшего к данному входу центра.
Однако в задаче сжатия информации струк-
тура может быть выбрана фиксированной в за-
висимости от требуемого коэффициента сжатия.
Достаточно широко распространен рекур-
рентный алгоритм метода наименьших квадра-
тов (РМНК) с экспоненциальным взвешивани-
ем информации вида
( 1) ( )
( ) ( 1) ( ),
( ) ( 1) ( )T
P k f k
w k w k e k
f k P k f k
(11)
1 ( 1) ( ) ( ) ( 1)
( ) ( 1) ,
( ) ( 1) ( )
T
T
P k f k f k P k
P k P k
f k P k f k
(12)
где
2
1 1 1 1 1
2-3
1 1 1 1
( ) 1, ( ( )), 2 ( ( )) ( ( ) ) ,
2 ( ( )) ( ) ,
Tf k x k x k c x k
x k c x k
2
2-3
..., ( ( )), 2 ( ( )) ( ( ) ) ,
2 ( ( )) ( ) ; 0, 1 .
T
N N N N N
T
N N N N
x k x k c x k
x k c x k
Как видно из (11), (12), свойства алгоритма
существенно зависят от значения коэффициен-
та взвешивания λ, общих рекомендаций по вы-
бору оптимального значения которого в на-
стоящее время нет. Предлагаемые же различ-
ными авторами процедуры выбора λопт требу-
ют достаточно много, обычно недоступной в
реальных условиях, информации. Поэтому на
практике чаще всего используют значения λ =
= 0,995 0,999.
Хотя РБС работает с нормализованными дан-
ными лучше, в задаче сжатия изображений нор-
мализация входных данных не представляется
возможной, так как сеть восстановит нормали-
зованное изображение, что приведет к потере
качества сжатия. Однако РБС также может быть
использована для сжатия изображений, но уже
не путем кластеризации пикселей, а методом,
известным как «бутылочное горлышко». Суть
его состоит в том, что нейронная сеть имеет
скрытый слой меньшей размерности, чем раз-
мерности входного и выходного слоев, кото-
рые, как правило, одинаковы.
Собственно сжатие осуществляется благода-
ря тому, что вместо данных изображения для
каждого блока изображения сохраняются зна-
30 УСиМ, 2013, № 5
чения выходов скрытого слоя. Таким образом,
сеть восстановит весь входной вектор, включая
нормализующую компоненту. На выходе же
для получения реального исходного значения
входного вектора эта компонента должна быть
отброшена.
Итак, по аналогии с рассматриваемыми се-
тями, РБС следует модифицировать путем до-
бавления кроме нормализующей компоненты
входного вектора, нормализующую компонен-
ту выходного сигнала. Тогда сеть будет пы-
таться восстановить входной вектор, который
на одну размерность больше, чем реальный, но
при этом нормализован.
Моделирование
При моделировании процесса сжатия для
оценки качества сжатия использовались пока-
затели PSNR (peak signal–to–noise ratio,) – от-
ношение максимально возможного уровня сиг-
нала к уровню искажающего его шума (по-
скольку большинство сигналов имеют очень
широкий динамический диапазон, PSNR обыч-
но представляют в логарифмическом масшта-
бе), и MSE (mean squared error) – среднеквад-
ратичная ошибка.
Для двух монохромных изображений I и K
размерностью m n (где одно из изображений
зашумлено представлением второго) MSE вы-
числяется так:
1 1
2
0 0
1
( , ) ( , )
m n
i j
MSE I i j K i j
mn
.
Для цветных изображений с тремя RGB-ком-
понентами MSE определяется как сумма всех
квадратичных разностей, деленная на размер
изображения и на три.
Показатель PSNR определяется так:
2
10 1010 log 20 logI IMAX MAX
PSNR
MSE MSE
,
где MAXI представляет собой максимальное
значение пикселя в изображении. В случае,
если пиксели представлены восьмибитовыми
значениями, MAXI = 255. В общем случае при
использовании для представления B бит мак-
симально возможное значение для MAXI равно
2B 1.
Обычно для алгоритмов сжатия PSNR нахо-
дится в диапазоне 30–40 dB.
В эксперименте использовано эталонное изо-
бражение «Lenna» (рис. 1,а) размером 512 × 512
пикселей, размеры кодируемой области выби-
рались 1 × 1 и 4 × 4 пикселей.
При моделировании модифицированной се-
ти Кохонена использовано 128 нейронов. В ал-
горитме обучения (шаг 2) выбиралось t
max
0 0
t t
f (в данном эксперименте 0 –
начальное значение (1,0); f – конечное значе-
ние (0,005)). При исследовании сети «Нейро-
Газ» также использовалось 128 нейронов, в
алгоритме обучения (шаг 3) t применялось
как в сети Кохонена, а правило изменения t
было аналогично правилу для t , за исклю-
чением лишь начальных параметров (для дан-
ного эксперимента 0 = 10; f = 0,01 выбраны
экспериментально).
а б
в г
Рис. 1. а – эталонное изображение «Lenna» и результаты сжа-
тия изображения сетью: б – встречного распростране-
ния; в – сетью РБФ; г – сетью «Нейро-Газ» с нормали-
зующим входом
При исследовании работы модифицирован-
ной РБС входной и выходной слои содержали
УСиМ, 2013, № 5 31
по 48 нейронов, а количество нейронов скры-
того слоя – 15 выбрано экспериментально на
основании правила, что число нейронов скры-
того слоя должно быть гораздо меньше. Коли-
чество циклов обучения составляло 100. В ка-
честве базисной функции для РБС использова-
лась функция (5), а обучение осуществлялось с
помощью алгоритма (11) – (12).
Т а б л и ц а 1. Сравнение значений коэффициент PSNR для
красной (R), зеленой (G) и синей (B) состав-
ляющих изображения соответственно, а также
среднее значение по компонентам.
Значение коэффициента PSNR
Название компоненты
СВР МСК РБС МРБС НГ МНГ
R 27,16 34,98 21,46 25,72 35,26 34,36
G 30,09 35,50 24,40 26,25 35,48 34,41
B 31,87 34,88 24,14 25,75 34,93 33,68
Среднее по компонентам 29,27 35,12 23,33 25,91 35,23 34,15
Т а б л и ц а 2. Сравнение времени, затраченного на процесс
компрессии и декомпрессии.
Название сети
Время, затра-
ченное на про-
цесс компрес-
сии и деком-
прессии
Количество
настраи-
ваемых
весов
Количество
циклов
обучения
сети
Для области 1х1 пиксель
Сеть встречного
распространения
00:06,06 768 2
Модифицированная
сеть Кохонена
00:05,01 512 2
Сеть РБФ 02:04,30 180 100
Модифицированная
сеть РБФ
02:32,71 240 100
Для области 4х4 пикселя
Сеть встречного
распространения
00:05,01 12288 2
Модифицированная
сеть Кохонена
00:03,39 8192 2
Сеть РБФ 01:36,80 2880 100
Модифицированная
сеть РБФ
01:39,82 3840 100
Сеть «Нейро-Газ» 00:37,77 384 2
Модифицированная
сеть «Нейро-Газ»
00:42,29 512 2
На рис. 1,б показаны некоторые результаты
сжатия изображения «Lenna» предложенными
модифицированными сетями. Поскольку полу-
ченные результаты визуально мало чем отли-
чаются, для большей наглядности они сведены
в табл. 1 и 2. Здесь использованы следующие
сокращения: СВР – сеть встречного распро-
странения, МСК – модифицированная сеть Ко-
хонена, РБС – радиально-базисная сеть, МСБР –
модифицированная РБС, НГ – сеть «Нейро-Газ»,
МНГ – модифицированная НГ. Как следует из
результатов моделирования, введение допол-
нительного нормализующего входа в ряде слу-
чаев позволяет существенно увеличить качест-
во сжатия информации. Для сети «Нейро-Газ»
результаты сжатия с нормализующим входом
по качеству несколько хуже, скорее всего это
связано с тем, что веса всех (включая добав-
ленный) нейронов участвуют в вычислении
расстояния между вектором весов и входным
образом.
Заключение. Суть предложенной модифи-
кации нейронных сетей, используемой для
сжатия изображений состоит в использовании
в сетях дополнительного «нормализующего»
входа. В РБС такая модификация обеспечивает
повышение качества изображения после де-
компрессии. Хотя при этом и возрастает число
входов (на единицу), а следовательно, увели-
чивается количество настраиваемых парамет-
ров (на три), это несущественно в вычисли-
тельном процессе. Описанная модификация се-
ти встречного распространения позволяет не
только убрать слой Гроссберга (по сути оста-
вив лишь одну сеть Кохонена), но и перенести
вычисления по нормализации входных данных
на формирование значения для дополнитель-
ного входа. Несмотря на то, что данная моди-
фикация сети «Нейро-Газ» не обеспечила каче-
ственное сжатие, она позволяет изменить спо-
соб обучения этой сети путем замены вычис-
ления расстояния между вектором весов и ис-
ходным образом более простым вычислением
выходного значения. Использование выходов
сети «Нейро-Газ» в качестве близости вектора
весов к исходному образу не представляется
возможным, так как входные данные не были
нормализованными, что привело бы к посто-
янному доминированию выхода с наибольши-
ми значениями весов.
1. Kohonen T. Self-Organising Maps. – Berlin: Springer
Verlag, 1995. – 362 p.
Окончание на стр. 37
УСиМ, 2013 № 5 37
Окончание
статьи
О.Г. Руденко
и
др.
2. Хайкин
С. Нейронные
сети: Полный
курс. – М.:
Вильямс, 2006. – 1104 с.
3. Бодянский
Е.В., Руденко
О.Г. Искусственные
ней-
ронные
сети: архитектура, обучение, применения. –
Харьков: Телетех, 2004. – 372 с.
4. Руденко
О.Г., Бобнев
Р.В. Об
одной
модификации
сети
Кохонена // Вестн. Херсон. нац. техн. ун-та. –
2000. – № 2(38). – С. 117–119.
5. Martinetz T.M., Schulten K.J. A “neural-gas” network
learns topologies // Artificial Neural Networks. – North-
Holland: Elsevier Science Publ., 1991. – P. 397–402.
6. Martinetz T.M., Berkovich S.G., Schulten K.J. “Neural-
gas” network for vector quantization and its applica-
tion to time series prediction // IEEE Trans. on Neural
Networks. – 1993. – N 4(4). – P. 558–569.
7. Fritzke B. A growing neural gas network learns to-
pologies // Advances in Neural Inform. Processing
Syst. – Cambridge MA, MIT Press, 1995. – 7. –
P. 625–632.
8. Li Y., Sundararajan N., Saratchandran P.
Analysis of
minimal radial basis function network algorithm for
real-time identification of nonlinear dynamic systems
// IEE Proc. – Control Theory Appl. – 2000. – 147,
№ 4. – P. 476–484.
9. Руденко
О.Г., Бессонов
А.А. Адаптивное
управле-
ние
многомерными
нелинейными
объектами
на
основе
радиально-базисных
сетей // Кибернетика
и
системный
анализ. – 2005. – № 2. – С. 168–176.
10. Аппроксимация
гауссовских
базисных
функций
в
задаче
адаптивного
управления
нелинейными
объ-
ектами / О.Г
Руденко, А.А. Бессонов, А.С. Ляшен-
ко
и
др. // Там
же. – 2011. – № 1. – С. 3–13.
Поступила 12.12.2012
Тел. для
справок: +38 057 705-0862, 702-1354,
+38 095 475-2171, 651-5503, +38 067 971-2782 (Харьков)
E-mail: o.bezsonov@adbglobal.com, fatumr@rambler.ru
© О.Г. Руденко, Р.В. Бобнев, А.А. Бессонов, 2013
<<
/ASCII85EncodePages false
/AllowTransparency false
/AutoPositionEPSFiles true
/AutoRotatePages /None
/Binding /Left
/CalGrayProfile (Dot Gain 20%)
/CalRGBProfile (sRGB IEC61966-2.1)
/CalCMYKProfile (U.S. Web Coated \050SWOP\051 v2)
/sRGBProfile (sRGB IEC61966-2.1)
/CannotEmbedFontPolicy /Error
/CompatibilityLevel 1.4
/CompressObjects /Tags
/CompressPages true
/ConvertImagesToIndexed true
/PassThroughJPEGImages true
/CreateJobTicket false
/DefaultRenderingIntent /Default
/DetectBlends true
/DetectCurves 0.0000
/ColorConversionStrategy /CMYK
/DoThumbnails false
/EmbedAllFonts true
/EmbedOpenType false
/ParseICCProfilesInComments true
/EmbedJobOptions true
/DSCReportingLevel 0
/EmitDSCWarnings false
/EndPage -1
/ImageMemory 1048576
/LockDistillerParams false
/MaxSubsetPct 100
/Optimize true
/OPM 1
/ParseDSCComments true
/ParseDSCCommentsForDocInfo true
/PreserveCopyPage true
/PreserveDICMYKValues true
/PreserveEPSInfo true
/PreserveFlatness true
/PreserveHalftoneInfo false
/PreserveOPIComments true
/PreserveOverprintSettings true
/StartPage 1
/SubsetFonts true
/TransferFunctionInfo /Apply
/UCRandBGInfo /Preserve
/UsePrologue false
/ColorSettingsFile ()
/AlwaysEmbed [ true
]
/NeverEmbed [ true
]
/AntiAliasColorImages false
/CropColorImages true
/ColorImageMinResolution 300
/ColorImageMinResolutionPolicy /OK
/DownsampleColorImages true
/ColorImageDownsampleType /Bicubic
/ColorImageResolution 300
/ColorImageDepth -1
/ColorImageMinDownsampleDepth 1
/ColorImageDownsampleThreshold 1.50000
/EncodeColorImages true
/ColorImageFilter /DCTEncode
/AutoFilterColorImages true
/ColorImageAutoFilterStrategy /JPEG
/ColorACSImageDict <<
/QFactor 0.15
/HSamples [1 1 1 1] /VSamples [1 1 1 1]
>>
/ColorImageDict <<
/QFactor 0.15
/HSamples [1 1 1 1] /VSamples [1 1 1 1]
>>
/JPEG2000ColorACSImageDict <<
/TileWidth 256
/TileHeight 256
/Quality 30
>>
/JPEG2000ColorImageDict <<
/TileWidth 256
/TileHeight 256
/Quality 30
>>
/AntiAliasGrayImages false
/CropGrayImages true
/GrayImageMinResolution 300
/GrayImageMinResolutionPolicy /OK
/DownsampleGrayImages true
/GrayImageDownsampleType /Bicubic
/GrayImageResolution 300
/GrayImageDepth -1
/GrayImageMinDownsampleDepth 2
/GrayImageDownsampleThreshold 1.50000
/EncodeGrayImages true
/GrayImageFilter /DCTEncode
/AutoFilterGrayImages true
/GrayImageAutoFilterStrategy /JPEG
/GrayACSImageDict <<
/QFactor 0.15
/HSamples [1 1 1 1] /VSamples [1 1 1 1]
>>
/GrayImageDict <<
/QFactor 0.15
/HSamples [1 1 1 1] /VSamples [1 1 1 1]
>>
/JPEG2000GrayACSImageDict <<
/TileWidth 256
/TileHeight 256
/Quality 30
>>
/JPEG2000GrayImageDict <<
/TileWidth 256
/TileHeight 256
/Quality 30
>>
/AntiAliasMonoImages false
/CropMonoImages true
/MonoImageMinResolution 1200
/MonoImageMinResolutionPolicy /OK
/DownsampleMonoImages true
/MonoImageDownsampleType /Bicubic
/MonoImageResolution 1200
/MonoImageDepth -1
/MonoImageDownsampleThreshold 1.50000
/EncodeMonoImages true
/MonoImageFilter /CCITTFaxEncode
/MonoImageDict <<
/K -1
>>
/AllowPSXObjects false
/CheckCompliance [
/None
]
/PDFX1aCheck false
/PDFX3Check false
/PDFXCompliantPDFOnly false
/PDFXNoTrimBoxError true
/PDFXTrimBoxToMediaBoxOffset [
0.00000
0.00000
0.00000
0.00000
]
/PDFXSetBleedBoxToMediaBox true
/PDFXBleedBoxToTrimBoxOffset [
0.00000
0.00000
0.00000
0.00000
]
/PDFXOutputIntentProfile ()
/PDFXOutputConditionIdentifier ()
/PDFXOutputCondition ()
/PDFXRegistryName ()
/PDFXTrapped /False
/CreateJDFFile false
/Description <<
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
/BGR <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>
/CHS <FEFF4f7f75288fd94e9b8bbe5b9a521b5efa7684002000410064006f006200650020005000440046002065876863900275284e8e9ad88d2891cf76845370524d53705237300260a853ef4ee54f7f75280020004100630072006f0062006100740020548c002000410064006f00620065002000520065006100640065007200200035002e003000204ee553ca66f49ad87248672c676562535f00521b5efa768400200050004400460020658768633002>
/CHT <FEFF4f7f752890194e9b8a2d7f6e5efa7acb7684002000410064006f006200650020005000440046002065874ef69069752865bc9ad854c18cea76845370524d5370523786557406300260a853ef4ee54f7f75280020004100630072006f0062006100740020548c002000410064006f00620065002000520065006100640065007200200035002e003000204ee553ca66f49ad87248672c4f86958b555f5df25efa7acb76840020005000440046002065874ef63002>
/CZE <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>
/DAN <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>
/DEU <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>
/ESP <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>
/ETI <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>
/FRA <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>
/GRE <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>
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
/HRV (Za stvaranje Adobe PDF dokumenata najpogodnijih za visokokvalitetni ispis prije tiskanja koristite ove postavke. Stvoreni PDF dokumenti mogu se otvoriti Acrobat i Adobe Reader 5.0 i kasnijim verzijama.)
/HUN <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>
/ITA <FEFF005500740069006c0069007a007a006100720065002000710075006500730074006500200069006d0070006f007300740061007a0069006f006e00690020007000650072002000630072006500610072006500200064006f00630075006d0065006e00740069002000410064006f00620065002000500044004600200070006900f900200061006400610074007400690020006100200075006e00610020007000720065007300740061006d0070006100200064006900200061006c007400610020007100750061006c0069007400e0002e0020004900200064006f00630075006d0065006e007400690020005000440046002000630072006500610074006900200070006f00730073006f006e006f0020006500730073006500720065002000610070006500720074006900200063006f006e0020004100630072006f00620061007400200065002000410064006f00620065002000520065006100640065007200200035002e003000200065002000760065007200730069006f006e006900200073007500630063006500730073006900760065002e>
/JPN <FEFF9ad854c18cea306a30d730ea30d730ec30b951fa529b7528002000410064006f0062006500200050004400460020658766f8306e4f5c6210306b4f7f75283057307e305930023053306e8a2d5b9a30674f5c62103055308c305f0020005000440046002030d530a130a430eb306f3001004100630072006f0062006100740020304a30883073002000410064006f00620065002000520065006100640065007200200035002e003000204ee5964d3067958b304f30533068304c3067304d307e305930023053306e8a2d5b9a306b306f30d530a930f330c8306e57cb30818fbc307f304c5fc59808306730593002>
/KOR <FEFFc7740020c124c815c7440020c0acc6a9d558c5ec0020ace0d488c9c80020c2dcd5d80020c778c1c4c5d00020ac00c7a50020c801d569d55c002000410064006f0062006500200050004400460020bb38c11cb97c0020c791c131d569b2c8b2e4002e0020c774b807ac8c0020c791c131b41c00200050004400460020bb38c11cb2940020004100630072006f0062006100740020bc0f002000410064006f00620065002000520065006100640065007200200035002e00300020c774c0c1c5d0c11c0020c5f40020c2180020c788c2b5b2c8b2e4002e>
/LTH <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>
/LVI <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>
/NLD (Gebruik deze instellingen om Adobe PDF-documenten te maken die zijn geoptimaliseerd voor prepress-afdrukken van hoge kwaliteit. De gemaakte PDF-documenten kunnen worden geopend met Acrobat en Adobe Reader 5.0 en hoger.)
/NOR <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>
/POL <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>
/PTB <FEFF005500740069006c0069007a006500200065007300730061007300200063006f006e00660069006700750072006100e700f50065007300200064006500200066006f0072006d00610020006100200063007200690061007200200064006f00630075006d0065006e0074006f0073002000410064006f0062006500200050004400460020006d00610069007300200061006400650071007500610064006f00730020007000610072006100200070007200e9002d0069006d0070007200650073007300f50065007300200064006500200061006c007400610020007100750061006c00690064006100640065002e0020004f007300200064006f00630075006d0065006e0074006f00730020005000440046002000630072006900610064006f007300200070006f00640065006d0020007300650072002000610062006500720074006f007300200063006f006d0020006f0020004100630072006f006200610074002000650020006f002000410064006f00620065002000520065006100640065007200200035002e0030002000650020007600650072007300f50065007300200070006f00730074006500720069006f007200650073002e>
/RUM <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>
/RUS <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>
/SKY <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>
/SLV <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>
/SUO <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>
/SVE <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>
/TUR <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>
/UKR <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>
/ENU (Use these settings to create Adobe PDF documents best suited for high-quality prepress printing. Created PDF documents can be opened with Acrobat and Adobe Reader 5.0 and later.)
>>
/Namespace [
(Adobe)
(Common)
(1.0)
]
/OtherNamespaces [
<<
/AsReaderSpreads false
/CropImagesToFrames true
/ErrorControl /WarnAndContinue
/FlattenerIgnoreSpreadOverrides false
/IncludeGuidesGrids false
/IncludeNonPrinting false
/IncludeSlug false
/Namespace [
(Adobe)
(InDesign)
(4.0)
]
/OmitPlacedBitmaps false
/OmitPlacedEPS false
/OmitPlacedPDF false
/SimulateOverprint /Legacy
>>
<<
/AddBleedMarks false
/AddColorBars false
/AddCropMarks false
/AddPageInfo false
/AddRegMarks false
/ConvertColors /ConvertToCMYK
/DestinationProfileName ()
/DestinationProfileSelector /DocumentCMYK
/Downsample16BitImages true
/FlattenerPreset <<
/PresetSelector /MediumResolution
>>
/FormElements false
/GenerateStructure false
/IncludeBookmarks false
/IncludeHyperlinks false
/IncludeInteractive false
/IncludeLayers false
/IncludeProfiles false
/MultimediaHandling /UseObjectSettings
/Namespace [
(Adobe)
(CreativeSuite)
(2.0)
]
/PDFXOutputIntentProfileSelector /DocumentCMYK
/PreserveEditing true
/UntaggedCMYKHandling /LeaveUntagged
/UntaggedRGBHandling /UseDocumentProfile
/UseDocumentBleed false
>>
]
>> setdistillerparams
<<
/HWResolution [2400 2400]
/PageSize [612.000 792.000]
>> setpagedevice
|
| id | nasplib_isofts_kiev_ua-123456789-83199 |
| institution | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| issn | 0130-5395 |
| language | Russian |
| last_indexed | 2025-12-07T18:40:41Z |
| publishDate | 2013 |
| publisher | Міжнародний науково-навчальний центр інформаційних технологій і систем НАН та МОН України |
| record_format | dspace |
| spelling | Руденко, О.Г. Бобнев, Р.В. Бессонов, А.А. 2015-06-16T17:06:04Z 2015-06-16T17:06:04Z 2013 Использование нормализующей компоненты при нейросетевом сжатии изображений / О.Г. Руденко, Р.В. Бобнев, А.А. Бессонов // Управляющие системы и машины. — 2013. — № 5. — С. 27-31, 37. — Бібліогр.: 10 назв. — рос. 0130-5395 https://nasplib.isofts.kiev.ua/handle/123456789/83199 519.71 Предложены модификации нейронных сетей, используемых для сжатия изображений. Приведены результаты моделирования, свидетельствующие об эффективности описанной модификации. A modification of neural networks for image compression is suggested in the article. Simulation results that demonstrate the effectiveness of the proposed modification are presented. Запропоновано модифікації нейронних мереж, які використовуються для стискання зображень. Подано результати моделювання, які свідчать про ефективність описаної модифікації. ru Міжнародний науково-навчальний центр інформаційних технологій і систем НАН та МОН України Управляющие системы и машины Новые методы в информатике Использование нормализующей компоненты при нейросетевом сжатии изображений The Utilization of a Normalized Component in Image Compression by Neural Networks Використання компоненти, яка нормалізує нейромережеве стискання зображень Article published earlier |
| spellingShingle | Использование нормализующей компоненты при нейросетевом сжатии изображений Руденко, О.Г. Бобнев, Р.В. Бессонов, А.А. Новые методы в информатике |
| title | Использование нормализующей компоненты при нейросетевом сжатии изображений |
| title_alt | The Utilization of a Normalized Component in Image Compression by Neural Networks Використання компоненти, яка нормалізує нейромережеве стискання зображень |
| title_full | Использование нормализующей компоненты при нейросетевом сжатии изображений |
| title_fullStr | Использование нормализующей компоненты при нейросетевом сжатии изображений |
| title_full_unstemmed | Использование нормализующей компоненты при нейросетевом сжатии изображений |
| title_short | Использование нормализующей компоненты при нейросетевом сжатии изображений |
| title_sort | использование нормализующей компоненты при нейросетевом сжатии изображений |
| topic | Новые методы в информатике |
| topic_facet | Новые методы в информатике |
| url | https://nasplib.isofts.kiev.ua/handle/123456789/83199 |
| work_keys_str_mv | AT rudenkoog ispolʹzovanienormalizuûŝeikomponentyprineirosetevomsžatiiizobraženii AT bobnevrv ispolʹzovanienormalizuûŝeikomponentyprineirosetevomsžatiiizobraženii AT bessonovaa ispolʹzovanienormalizuûŝeikomponentyprineirosetevomsžatiiizobraženii AT rudenkoog theutilizationofanormalizedcomponentinimagecompressionbyneuralnetworks AT bobnevrv theutilizationofanormalizedcomponentinimagecompressionbyneuralnetworks AT bessonovaa theutilizationofanormalizedcomponentinimagecompressionbyneuralnetworks AT rudenkoog vikoristannâkomponentiâkanormalízuêneiromereževestiskannâzobraženʹ AT bobnevrv vikoristannâkomponentiâkanormalízuêneiromereževestiskannâzobraženʹ AT bessonovaa vikoristannâkomponentiâkanormalízuêneiromereževestiskannâzobraženʹ |