Video data sıkıştırmada yapay sinir ağlarının kullanılması konusunun incelenmesi
Application of artifical neural networks in video data compression
- Tez No: 95747
- Danışmanlar: PROF. DR. MÜMTAZ YILMAZ
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2000
- Dil: Türkçe
- Üniversite: Ankara Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 66
Özet
ÖZET Yüksek Lisans Tezi VİDEO DATA SIKIŞTIRMADA YAPAY SİNİR AĞLARININ KULLANILMASI KONUSUNUN İNCELENMESİ Ümit GÜLER Ankara Üniversitesi Fen Bilimleri Enstitüsü Elektronik Mühendisliği Anabilim Dalı Danışman : Prof. Dr. Mümtaz YILMAZ Bu çalışmada, yapay sinir ağlarının kullanıldığı 6ngörüm lü vektör nicemleyici sistemi, video datalarının sıkıştırılması amacıyla bilgisayar ortamında simule edilmiştir. Vektör nicemleme için gerekli kodkitabının tasarımı amacıyla birbiçimli olmayan SCONN (self creating and organizing neural network, kendi kendini yaratan ve organize eden yapay sinir ağı) algoritması kullanılmıştır. Çalışma, birbiçimli olmayan SCONN algoritmasının değişik parametrelerinin SNR (signal to noise ratio, işaret/gürültü oranı) değerine olan etkisini göstermektedir ve beş ana başlık altında toplanmıştır. Oğul vektörün eğitim vektörüne yakınsama katsayısı olan r parametresi için 0.95 değeri uygun bir değer olarak saptanmıştır. 16200 eğitim vektörü için 32400 iterasyon ve 1024 kodvektörü optimumdur. Yapılan çalışmada, beklendiği gibi, yaklaşık aynı bit oranında 8x8 bloklama, 4x4 bloklamaya göre daha iyi sonuç vermiştir. Son çalışmada, öngörümlü vektör nicemleme sistemi kullanıldığı için fark bloklarının bir kısmının sıfır elemanlarından oluşacağı düşünülerek, bu bloklar 1024. kodvektör olan sıfır bloğu ile temsil edilmiş ve 1024 indisi ile iletilmiştir. Sonuçta SNR yakınsama değerinde 40 dB seviyeleri elde edilmiştir. Video datalarının sıkıştırılması sırasında daha yüksek performans artışı sağlamak amacıyla yapay sinir ağı algoritması ve öngörümlü vektör nicemleyici yanında MSVQ (mean shape vector quantizer, ortalama şekil vektör nicemleyici) sistemi de önerilmiştir. Ayrıca kodvektörlerin bulunması sırasında ve vektör nicemleme esnasında hareket kompanzasyonu kullanılarak SNR değerinde çok daha iyi değerler elde edileceği düşünülerek, ileriki çalışmalarda bu sistemin de dahil edilmesi tavsiye edilmiştir. 2000, 66 sayfa ANAHTAR KELİMELER : Öngörümlü vektör nicemleme, SCONN yapay sinir ağı modeli, Video data sıkıştırma
Özet (Çeviri)
ABSTRACT Masters Thesis APPLICATION OF ARTIFICIAL NEURAL NETWORKS IN VIDEO DATA COMPRESSION Omit GÜLER Ankara University Graduate School of Natural and Applied Sciences Department of Electronics Engineering Supervisor : Prof. Dr. Mümtaz YILMAZ In this work, predictive vector quantization system in which artificial neural networks was used, was simulated via computer in order to compress video data. In this system, in order to form a codebook necessary for the vector quantization, nonuniform SCONN (self creating and organizing neural network) algorithm was used. Study shows the effect of various nonuniform SCONN parameters on SNR (signal to noise ratio) values and was divided into five titles. For the r parameter that was the convergence coefficient of the son vector to the training vector, 0.95 was determined to be a good value. For 16200 training vectors, 32400 iterations and 1024 codvectors were optimal. In the study, as expected, approximately at the same compression ratio, 8x8 blocking gave better results than 4x4 blocking. In the last study, thinking that the difference frames will have lots of zero blocks since predictive vector quantization was used, these zero blocks was represented by codvector zero and transmitted via indice 1024. As a result 40 dB convergence values was reached. To have higher performance in compression of video datas, beside the artificial neural network algorithms and predictive vector quantizer, the use of MSVQ (mean shape vector quantizer) was proposed. In addition, in finding codvectors and during the vector quantization, by the use of MC (motion compensation), higher SNR values was thought to be reached and was proposed for the future studies. 2000, 66 pages Key Words : Predictive vector quantization, SCONN Neural Network model, Video data compression T&C fteKMECTÎM KUTSl
Benzer Tezler
- Derin öğrenme tabanlı süper çözünürlük teknikleri kullanarak JPEG sıkıştırma kaybının iyileştirilmesi
Recovering JPEG compression loss via deep learning-based super resolution techniques
MUHAMMET BOLAT
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
PROF. DR. LÜTFİYE DURAK ATA
DR. NURULLAH ÇALIK
- Comparative analysis of deep learning components on compressed domain action recogniton framework
Derin öğrenme bileşenlerinin sıkıştırılmış domen aktivite tanıma sistemi üzerinde karşılaştırmalı analizi
HÜSEYİN ONUR YAĞAR
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
PROF. DR. BEHÇET UĞUR TÖREYİN
- Brain-inspired cortical-coding algorithm for multimedia processing
Multimedya işlemek için beyinden esinlenilmiş kortikal kodlama algoritması
AHMET EMİN ÜNAL
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BURAK BERK ÜSTÜNDAĞ
- Resim içerik filtreleme ve içerik tespiti
Image content filtering and content detection
FAROOQ QOTLI
Yüksek Lisans
Türkçe
2010
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ŞEREF SAĞIROĞLU
- Adaptive data compression in networks: A learning automaton approach
Ağlarda adaptif veri sıkıştırma: Öğrenebilen durum makinesi yaklaşımı
EMRE BAYDOĞAN
Yüksek Lisans
İngilizce
2001
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMarmara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. M. BORAHAN TÜMER