Metody strojového učení pro efektivní kompresi obrazu

Abstract

Tato práce si klade za cíl vytvořit orientační návod stále rostoucím oborem strojového učení, neuronových sítí a jejich aplikace v systémech efektivních kompresních metod založených na učení. První kapitola tvoří teoretický základ, napomáhající k pochopení termínů se kterými se budeme nadále setkávat - t.j. strojové učení, (hluboké) neuronové sítě, hluboké učení atd. Dále budou diskutovány aplikace těchto metod právě v poli kódování obrazu, jakožto i návrh a diskuze kritérií pro klasifikaci těchto systémů. Následující kapitola, praktická část se věnuje různým implementacím kodeků, systémech založených na učení (např. s použitím platformy TensorFlow) a jejich efektivita v porovnání s konvenčními kompresními metodami (JPEG, JPEG2000). Práce je uzavřená diskuzí výsledků, návrhů zlepšení a možnostmi navazujícího výzkumu.

This paper aims to create a guideline in growing field of neural networks, and their application in learning based system for effective compression methods. In first chapter looking to create theoretical foundation, as to understand the terms that we will further work with - such as machine learning, (deep) neural networks, deep learning etc. Further we then discuss application of these methods in field of image coding as well as discussing criteria for classification of such systems. Second chapter, the practical part then discovers various implementation of learning based codecs (e.g. using TensorFlow platform) and their performance, comparing with conventional methods (JPEG, JPEG2000). The paper is wrapped up by discussing the results and future possibilities for research.