• Home
  • Chimica
  • Astronomia
  • Energia
  • Natura
  • Biologia
  • Fisica
  • Elettronica
  • Il nuovo algoritmo può aiutare le persone a memorizzare più immagini, condividi i video più velocemente

    Utilizzando l'intelligenza artificiale, un team guidato da Penn State IST ha progettato un sistema in grado di comprimere e ripristinare i file, come le immagini. Spesso si verifica una perdita di qualità quando le immagini vengono ripristinate. Però, quando l'algoritmo del team ha ripristinato le immagini campione, la qualità dell'immagine era migliore dei benchmark, compreso il sistema di compressione di Google. Credito:Wikimedia Commons

    Il mondo produce circa 2,5 quintilioni di byte di dati ogni giorno. Archiviare e trasferire tutto questo numero enorme e in costante crescita di immagini, video, Tweet, e altre forme di dati sta diventando una sfida significativa, uno che minaccia di minare la crescita di Internet e contrastare l'introduzione di nuove tecnologie, come l'Internet delle cose.

    Ora, un team di ricercatori riferisce che un algoritmo che utilizza una tecnica di apprendimento automatico basata sul cervello umano potrebbe alleviare l'intasamento dei dati riducendo le dimensioni dei file multimediali, come video e immagini, e ripristinarli senza perdere molta qualità o informazioni. L'apprendimento automatico è un tipo di intelligenza artificiale, o AI.

    In uno studio, i ricercatori hanno sviluppato un algoritmo che dispone di una rete neurale ricorrente per comprimere e ripristinare i dati, secondo C. Lee Giles, David Reese Professore di Scienze e Tecnologie dell'Informazione, Penn State, e un associato dell'Institute for CyberScience. In questo caso, l'algoritmo, che hanno chiamato l'algoritmo di raffinamento iterativo, che si concentra sulla fase di decodifica o ripristino, è stato in grado di produrre immagini restaurate con una qualità migliore rispetto ai benchmark selezionati per lo studio, compreso un sistema di compressione progettato da Google, che i ricercatori consideravano il migliore all'epoca.

    Le persone comprimono i dati per archiviare più foto sul proprio smartphone, Per esempio, o condividere video su Internet o su piattaforme di social media come YouTube e Twitter.

    Ha detto che il successo del sistema nella compressione dei file è dovuto all'uso di un decodificatore di rete neurale ricorrente, piuttosto che una rete feedforward o un decoder (lineare) convenzionale. Una rete neurale ricorrente utilizza la memoria stateful, che gli consente di memorizzare pezzi di dati mentre esegue i calcoli. Però, una normale rete neurale, o rete neurale feedforward, non può memorizzare dati e può solo elaborare le informazioni in sequenza. Con la capacità di memoria aggiuntiva, le reti neurali ricorrenti possono svolgere meglio i compiti, come il riconoscimento delle immagini.

    "Un sistema ricorrente ha feedback, mentre un perceptron multistrato, o rete convolutiva, o altro tipo simile di rete neurale, sono di solito feedforward, in altre parole, i dati passano semplicemente, non è memorizzato come memoria, " ha detto Giles.

    David Miller, professore di ingegneria elettrica e informatica, che ha lavorato con Giles, ha affermato che "il vantaggio chiave della ricorrenza in questo contesto di decodifica delle immagini è che sfrutta le correlazioni su lunghe regioni spaziali dell'immagine rispetto a un decodificatore di immagini convenzionale".

    Un altro vantaggio dell'algoritmo, rispetto ai sistemi concorrenti, era la semplicità del design dell'algoritmo, hanno detto i ricercatori, che hanno recentemente riportato i loro risultati alla Data Compression Conference (DCC).

    "Abbiamo davvero solo la rete neurale ricorrente alla fine del processo, rispetto a Google, che include le reti neurali ricorrenti, ma sono posizionati su molti livelli diversi, che aumenta la complessità, " disse Giles.

    Uno dei problemi con la compressione è che quando viene ripristinata un'immagine o un video compresso, il file potrebbe perdere bit di informazioni, che può rendere l'immagine o il video sfocato, o distorto. I ricercatori hanno testato l'algoritmo su diverse immagini ed è stato in grado di archiviare e ricostruire le immagini con una qualità superiore rispetto all'algoritmo di Google e ad altri sistemi di riferimento.

    Le reti neurali organizzano i loro "neuroni" elettronici in modo molto simile al modo in cui il cervello è composto da reti di neuroni; però, Alessandro G. Ororbia, un assistente professore al Rochester Institute of Technology, la cui ricerca si concentra sullo sviluppo di sistemi neurali biologicamente motivati, e algoritmi di apprendimento guidano questa ricerca, ha detto che i cervelli elettronici sono molto più semplici.

    "La cosa importante da ricordare è che queste reti neurali sono vagamente basate sul cervello, " disse Ororbia. "I neuroni che compongono una rete neurale elettronica sono molto, molto più semplice. I veri neuroni biologici sono estremamente complessi. Alcuni dicono che la rete neurale elettronica è quasi una caricatura della rete neurale del cervello".

    Giles ha affermato che l'idea di utilizzare le reti neurali ricorrenti per la compressione è nata dalla rivisitazione della vecchia ricerca sulle reti neurali sul problema della compressione, .

    "Abbiamo notato che non c'era molto sull'utilizzo della rete neurale per la compressione e ci siamo chiesti perché, " ha detto Giles. "E 'sempre bello rivedere i vecchi lavori per vedere qualcosa che potrebbe essere applicabile oggi."

    I ricercatori hanno testato la capacità del loro algoritmo di comprimere e ripristinare un'immagine rispetto al sistema di Google utilizzando tre metriche indipendenti che valutano la qualità dell'immagine:rapporto picco segnale rumore, Indice di immagine di somiglianza strutturale e Indice di immagine di somiglianza strutturale multiscala, che valutano la qualità dell'immagine.

    "I risultati di tutti i benchmark e i set di test indipendenti e per tutte le metriche, mostrano che l'algoritmo di raffinamento iterativo proposto produce immagini con una minore distorsione e una maggiore qualità percettiva, " ha detto Ankur Mali, uno studente dottorando alla Penn State, che ha lavorato a lungo sull'implementazione tecnica del sistema.

    Nel futuro, the researchers may also explore whether the system is easier to train than competing algorithms.

    While all the compression neural networks require training—feeding data into the system to teach it how to perform—Giles thinks the team's design may be easier to train.

    "I would guess it's much, much faster, in terms of training, pure, " said Giles.


    © Scienza https://it.scienceaq.com