جهان هر روز حدود 2.5 quintillion بایت داده تولید می کند . ذخیره و انتقال همه این تعداد عظیم - و دائماً در حال رشد - تعداد تصاویر ، فیلم ها ، توییت ها و سایر اشکال داده تبدیل به یک چالش مهم می شود ، مسئله ای که تهدید می کند رشد اینترنت را تضعیف می کند و از معرفی فن آوری های جدید جلوگیری می کند. به عنوان اینترنت اشیا.
اکنون ، تیمی از محققان گزارش می دهند که الگوریتمی که از تکنیک یادگیری ماشینی مبتنی بر مغز انسان استفاده می کند ، می تواند با کاهش اندازه پرونده های چندرسانه ای ، مانند فیلم و تصاویر ، آن را مسدود کند و بازیابی آنها را بدون از دست دادن کیفیت یا اطلاعات زیادی از بین ببرد. یادگیری ماشین نوعی هوش مصنوعی یا هوش مصنوعی است.
محققان در یک مطالعه ، الگوریتمی را ایجاد کردند که دارای یک شبکه عصبی مکرر برای فشرده سازی و بازیابی داده ها است ، به گفته سی لی لی گیلز ، دیوید ریز ، استاد علوم و فناوری اطلاعات ، ایالت پن ، و یک انستیتوی علوم سایبرسنس. در این حالت ، الگوریتم ، که آنها را الگوریتم پالایش تکراری ، که روی مرحله رمزگشایی یا بازیابی مجدد است متمرکز می شود ، قادر به تولید تصاویر ترمیم شده با کیفیت بهتر از معیارهای انتخاب شده برای مطالعه ، از جمله سیستم فشرده سازی طراحی شده توسط گوگل بود. که محققان آن زمان بهترین ها را می دانستند.
به عنوان مثال ، مردم داده ها را برای ذخیره عکس های بیشتر در تلفن هوشمند خود فشرده می کنند ، یا فیلم ها را در اینترنت یا از طریق سیستم عامل های رسانه های اجتماعی مانند YouTube و Twitter به اشتراک می گذارند.
وی گفت: موفقیت سیستم در فشرده سازی پرونده ها به دلیل استفاده از یک رمزگذار شبکه عصبی مکرر است نه یک شبکه تغذیه کننده یا یک رمزگذار معمولی (خطی). یک شبکه عصبی مکرر از حافظه حالت پذیر استفاده می کند ، به شما این امکان را می دهد تا بخش هایی از داده ها را همانطور که محاسبات انجام می دهد ، ذخیره کند. با این حال ، یک شبکه عصبی منظم - یا شبکه عصبی پیشرو - نمی تواند داده ها را ذخیره کند و فقط می تواند اطلاعات را به صورت متوالی پردازش کند. با توجه به ظرفیت حافظه اضافه شده ، شبکه های عصبی مکرر می توانند در انجام کارهایی نظیر تشخیص تصویر عملکرد بهتری داشته باشند.
گیلز گفت: "یک سیستم مکرر دارای بازخورد است ، در حالی که یک پرسپترون چند لایه ، یا شبکه حلق آویز و یا نوع مشابه دیگر شبکه عصبی معمولاً از پیش رو تغذیه می شوند ، به عبارت دیگر ، داده ها فقط از بین می روند ، به عنوان حافظه ذخیره نمی شوند."
دیوید میلر ، استاد مهندسی برق و علوم رایانه ، که با گیلس کار کرده است ، اظهار داشت که "مهمترین مزیت عود در این زمینه رمزگشایی تصویر این است که از ارتباطات در مناطق طولانی مکانی از تصویر نسبت به یک رمزگذار تصویر معمولی سوء استفاده می کند."
محققان که یافته های خود را اخیراً در کنفرانس فشرده سازی داده ها (DCC) گزارش دادند ، یکی دیگر از مزیت های این الگوریتم ، در مقایسه با سیستم های رقیب ، سادگی در طراحی الگوریتم است.
گیلز گفت: "ما واقعاً شبکه عصبی مكرر را در انتهای فرآیند داریم ، در مقایسه با گوگل ، كه شامل شبكه های عصبی مكرر نیز هست ، اما آنها در لایه های مختلفی قرار دارند كه این به پیچیدگی می افزاید."
یکی از مشکلات مربوط به فشرده سازی این است که وقتی یک تصویر یا فیلم فشرده شده بازیابی می شود ، پرونده ممکن است اطلاعات زیادی را از دست بدهد ، که ممکن است باعث شود تصویر یا ویدیو تار شود یا تحریف شود. محققان این الگوریتم را بر روی چندین تصویر آزمایش کردند و توانستند تصاویر را با کیفیت بالاتر از الگوریتم گوگل و سایر سیستم های معیار ذخیره و بازسازی کنند.
شبکه های عصبی "سلولهای عصبی" الکترونیکی خود را دقیقاً مانند روشی که مغز از شبکه های عصبی تشکیل می دهد ، ترتیب می دهند. با این حال ، الكساندر جی Ororbia ، استادیار پژوهشگاه فناوری روچستر ، كه تحقیقات وی بر توسعه سیستم های عصبی با انگیزه بیولوژیك متمركز است و الگوریتم های یادگیری منجر به این تحقیق می شوند ، گفت: مغزهای الکترونیکی بسیار ساده تر هستند.
اوروربیا گفت: "نکته مهمی که باید به خاطر بسپاریم این است که این شبکه های عصبی به راحتی متکی بر مغز هستند." "نورونهایی که یک شبکه عصبی الکترونیکی را تشکیل می دهند بسیار ، بسیار ساده تر هستند. نورونهای بیولوژیکی واقعی بسیار پیچیده هستند. بعضی ها می گویند که شبکه عصبی الکترونیکی تقریباً کاریکاتور شبکه عصبی مغز است."
گیلز اظهار داشت: ایده استفاده از شبكه های عصبی مكرر برای فشرده سازی ، ناشی از تجدید نظر در تحقیقات قدیمی شبکه عصبی در مورد مسئله فشرده سازی است.
بیشتر بخوانید: پمپ وکیوم کوچک
گیلز گفت: "ما متوجه شدیم که از شبکه عصبی برای فشرده سازی چیز زیادی استفاده نشده است و ما تعجب کردیم که چرا". "همیشه خوب است که مجدداً کارهای قدیمی را تجدید نظر کنید تا چیزی را ببینید که ممکن است امروز قابل استفاده باشد."
محققان با استفاده از سه معیار مستقل که کیفیت تصویر را ارزیابی می کنند ، الگوریتم خود را در فشرده سازی و بازیابی یک تصویر در مقایسه با سیستم گوگل آزمایش کرده اند: نسبت نویز سیگنال پیک ، شاخص تصویر تشابه ساختاری و شاخص تصویر تشابه ساختاری چند مقیاس که کیفیت تصویر را ارزیابی می کنند.
انکور مالی ، دانشجوی داوطلب دکترا در ایالت پن ، گفت: "نتایج حاصل از همه معیارها و مجموعه های تست مستقل و برای همه معیارها ، نشان می دهد که الگوریتم پالایش تکرار شده ، تصاویری با اعوجاج کمتر و کیفیت ادراکی بالاتر تولید می کند." که در اجرای فنی سیستم بسیار کار کرده است.
در آینده ، محققان همچنین ممکن است کشف کنند که آیا این سیستم آموزش آسانتر از الگوریتم های رقیب است.
در حالی که تمام شبکه های عصبی فشرده سازی نیاز به آموزش دارند. داده ها را به سیستم آموزش می دهد تا بتواند نحوه عملکرد را آموزش دهد.
جهان هر روز حدود 2.5 quintillion بایت داده تولید می کند . ذخیره و انتقال همه این تعداد عظیم - و دائماً در حال رشد - تعداد تصاویر ، فیلم ها ، توییت ها و سایر اشکال داده تبدیل به یک چالش مهم می شود ، مسئله ای که تهدید می کند رشد اینترنت را تضعیف می کند و از معرفی فن آوری های جدید جلوگیری می کند. به عنوان اینترنت اشیا.
اکنون ، تیمی از محققان گزارش می دهند که الگوریتمی که از تکنیک یادگیری ماشینی مبتنی بر مغز انسان استفاده می کند ، می تواند با کاهش اندازه پرونده های چندرسانه ای ، مانند فیلم و تصاویر ، آن را مسدود کند و بازیابی آنها را بدون از دست دادن کیفیت یا اطلاعات زیادی از بین ببرد. یادگیری ماشین نوعی هوش مصنوعی یا هوش مصنوعی است.
محققان در یک مطالعه ، الگوریتمی را ایجاد کردند که دارای یک شبکه عصبی مکرر برای فشرده سازی و بازیابی داده ها است ، به گفته سی لی لی گیلز ، دیوید ریز ، استاد علوم و فناوری اطلاعات ، ایالت پن ، و یک انستیتوی علوم سایبرسنس. در این حالت ، الگوریتم ، که آنها را الگوریتم پالایش تکراری ، که روی مرحله رمزگشایی یا بازیابی مجدد است متمرکز می شود ، قادر به تولید تصاویر ترمیم شده با کیفیت بهتر از معیارهای انتخاب شده برای مطالعه ، از جمله سیستم فشرده سازی طراحی شده توسط گوگل بود. که محققان آن زمان بهترین ها را می دانستند.
به عنوان مثال ، مردم داده ها را برای ذخیره عکس های بیشتر در تلفن هوشمند خود فشرده می کنند ، یا فیلم ها را در اینترنت یا از طریق سیستم عامل های رسانه های اجتماعی مانند YouTube و Twitter به اشتراک می گذارند.
وی گفت: موفقیت سیستم در فشرده سازی پرونده ها به دلیل استفاده از یک رمزگذار شبکه عصبی مکرر است نه یک شبکه تغذیه کننده یا یک رمزگذار معمولی (خطی). یک شبکه عصبی مکرر از حافظه حالت پذیر استفاده می کند ، به شما این امکان را می دهد تا بخش هایی از داده ها را همانطور که محاسبات انجام می دهد ، ذخیره کند. با این حال ، یک شبکه عصبی منظم - یا شبکه عصبی پیشرو - نمی تواند داده ها را ذخیره کند و فقط می تواند اطلاعات را به صورت متوالی پردازش کند. با توجه به ظرفیت حافظه اضافه شده ، شبکه های عصبی مکرر می توانند در انجام کارهایی نظیر تشخیص تصویر عملکرد بهتری داشته باشند.
گیلز گفت: "یک سیستم مکرر دارای بازخورد است ، در حالی که یک پرسپترون چند لایه ، یا شبکه حلق آویز و یا نوع مشابه دیگر شبکه عصبی معمولاً از پیش رو تغذیه می شوند ، به عبارت دیگر ، داده ها فقط از بین می روند ، به عنوان حافظه ذخیره نمی شوند."
دیوید میلر ، استاد مهندسی برق و علوم رایانه ، که با گیلس کار کرده است ، اظهار داشت که "مهمترین مزیت عود در این زمینه رمزگشایی تصویر این است که از ارتباطات در مناطق طولانی مکانی از تصویر نسبت به یک رمزگذار تصویر معمولی سوء استفاده می کند."
محققان که یافته های خود را اخیراً در کنفرانس فشرده سازی داده ها (DCC) گزارش دادند ، یکی دیگر از مزیت های این الگوریتم ، در مقایسه با سیستم های رقیب ، سادگی در طراحی الگوریتم است.
گیلز گفت: "ما واقعاً شبکه عصبی مكرر را در انتهای فرآیند داریم ، در مقایسه با گوگل ، كه شامل شبكه های عصبی مكرر نیز هست ، اما آنها در لایه های مختلفی قرار دارند كه این به پیچیدگی می افزاید."
یکی از مشکلات مربوط به فشرده سازی این است که وقتی یک تصویر یا فیلم فشرده شده بازیابی می شود ، پرونده ممکن است اطلاعات زیادی را از دست بدهد ، که ممکن است باعث شود تصویر یا ویدیو تار شود یا تحریف شود. محققان این الگوریتم را بر روی چندین تصویر آزمایش کردند و توانستند تصاویر را با کیفیت بالاتر از الگوریتم گوگل و سایر سیستم های معیار ذخیره و بازسازی کنند.
شبکه های عصبی "سلولهای عصبی" الکترونیکی خود را دقیقاً مانند روشی که مغز از شبکه های عصبی تشکیل می دهد ، ترتیب می دهند. با این حال ، الكساندر جی Ororbia ، استادیار پژوهشگاه فناوری روچستر ، كه تحقیقات وی بر توسعه سیستم های عصبی با انگیزه بیولوژیك متمركز است و الگوریتم های یادگیری منجر به این تحقیق می شوند ، گفت: مغزهای الکترونیکی بسیار ساده تر هستند.
اوروربیا گفت: "نکته مهمی که باید به خاطر بسپاریم این است که این شبکه های عصبی به راحتی متکی بر مغز هستند." "نورونهایی که یک شبکه عصبی الکترونیکی را تشکیل می دهند بسیار ، بسیار ساده تر هستند. نورونهای بیولوژیکی واقعی بسیار پیچیده هستند. بعضی ها می گویند که شبکه عصبی الکترونیکی تقریباً کاریکاتور شبکه عصبی مغز است."
گیلز اظهار داشت: ایده استفاده از شبكه های عصبی مكرر برای فشرده سازی ، ناشی از تجدید نظر در تحقیقات قدیمی شبکه عصبی در مورد مسئله فشرده سازی است.
بیشتر بخوانید: پمپ وکیوم کوچک
گیلز گفت: "ما متوجه شدیم که از شبکه عصبی برای فشرده سازی چیز زیادی استفاده نشده است و ما تعجب کردیم که چرا". "همیشه خوب است که مجدداً کارهای قدیمی را تجدید نظر کنید تا چیزی را ببینید که ممکن است امروز قابل استفاده باشد."
محققان با استفاده از سه معیار مستقل که کیفیت تصویر را ارزیابی می کنند ، الگوریتم خود را در فشرده سازی و بازیابی یک تصویر در مقایسه با سیستم گوگل آزمایش کرده اند: نسبت نویز سیگنال پیک ، شاخص تصویر تشابه ساختاری و شاخص تصویر تشابه ساختاری چند مقیاس که کیفیت تصویر را ارزیابی می کنند.
انکور مالی ، دانشجوی داوطلب دکترا در ایالت پن ، گفت: "نتایج حاصل از همه معیارها و مجموعه های تست مستقل و برای همه معیارها ، نشان می دهد که الگوریتم پالایش تکرار شده ، تصاویری با اعوجاج کمتر و کیفیت ادراکی بالاتر تولید می کند." که در اجرای فنی سیستم بسیار کار کرده است.
در آینده ، محققان همچنین ممکن است کشف کنند که آیا این سیستم آموزش آسانتر از الگوریتم های رقیب است.
در حالی که تمام شبکه های عصبی فشرده سازی نیاز به آموزش دارند. داده ها را به سیستم آموزش می دهد تا بتواند نحوه عملکرد را آموزش دهد.
مدل جدیدی برای تولید سؤال گفتگوی بصری