Nano Hash - криптовалюты, майнинг, программирование

В случае векторного квантования учитывается ли реконструированная интенсивность в декодере?

Предположим, мы сформировали кодовую книгу, используя обучающие изображения RGB. Эта кодовая книга теперь присутствует в кодере и декодере.

Теперь у нас есть одно тестовое изображение RGB (которое не содержится в обучающих изображениях), которое мы хотим сжать, передать и реконструировать. Во время реконструкции этого тестового изображения из-за разной интенсивности тестового изображения, некоторые из которых могут полностью не совпадать с интенсивностью любого тренировочного изображения, не будут ли части восстановленного изображения темнее или ярче, чем исходное изображение в существующем векторе. алгоритмы квантования? Есть ли способ справиться с интенсивностью в существующих алгоритмах, таких как K-means, LBG? Или мы должны сделать правильный выбор обучающих изображений для начала? Или тестовое изображение также должно быть включено в обучающие изображения? Что такое стандартный способ?

vector quantization
01.06.2015

Ответы:


1

Векторное квантование — это схема сжатия с потерями. Вы находите наиболее подходящие кластеры в обучающем наборе для создания кодовой книги. Это приближение. Чем больше тренировочный набор, тем лучше будет матч, но всегда будут потери.

Ваш тренировочный набор должен учитывать все интенсивности (сложности) изображений, а не только интенсивность изображения, которое вы собираетесь сжимать. Независимо от того, содержат ли тренировочные изображения тестовое изображение, это не изменит того факта, что произойдет потеря (любой выигрыш будет незначительным, если только обучающая выборка не очень мала).

09.06.2015
Новые материалы
Кластеризация: более глубокий взгляд
Кластеризация — это метод обучения без учителя, в котором мы пытаемся найти группы в наборе данных на основе некоторых известных или неизвестных свойств, которые могут существовать. Независимо от..
Как написать эффективное резюме
Предложения по дизайну и макету, чтобы представить себя профессионально Вам не позвонили на собеседование после того, как вы несколько раз подали заявку на работу своей мечты? У вас может..
Частный метод Python: улучшение инкапсуляции и безопасности
Введение Python — универсальный и мощный язык программирования, известный своей простотой и удобством использования. Одной из ключевых особенностей, отличающих Python от других языков, является..
Как я автоматизирую тестирование с помощью Jest
Шутка для победы, когда дело касается автоматизации тестирования Одной очень важной частью разработки программного обеспечения является автоматизация тестирования, поскольку она создает..
Работа с векторными символическими архитектурами, часть 4 (искусственный интеллект)
Hyperseed: неконтролируемое обучение с векторными символическими архитектурами (arXiv) Автор: Евгений Осипов , Сачин Кахавала , Диланта Хапутантри , Тимал Кемпития , Дасвин Де Сильва ,..
Понимание расстояния Вассерштейна: мощная метрика в машинном обучении
В обширной области машинного обучения часто возникает необходимость сравнивать и измерять различия между распределениями вероятностей. Традиционные метрики расстояния, такие как евклидово..
Обеспечение масштабируемости LLM: облачный анализ с помощью AWS Fargate и Copilot
В динамичной области искусственного интеллекта все большее распространение получают модели больших языков (LLM). Они жизненно важны для различных приложений, таких как интеллектуальные..