Исследование и разработка метода передачи графических данных по низкоскоростным каналам связи в промышленном IoT

В области глубинного обучения, т.е. применения свёрточных нейронных сетей (СНС), разработчикам удалось добиться значительных успехов в обработке изображений и машинного зрения. Несмотря на это, данный подход редко применяется при решении задач сжатия изображений, данному вопросу посвящена настоящее исследование. В работе предлагается новая модель сжатия на базе свёрточных нейронных сетей (СНС). Для достижения высококачественного сжатия изображений при низких скоростях передачи данных две СНС легко интегрируются в модель сквозного сжатия. Первый тип СНС под названием «компактная свёрточная нейронная сеть» (КомСНС) изучает оптимальное компактное представление из входного изображения, которое сохраняет структурную информацию, а затем кодируется посредством кодеков (к примеру, JPEG, JPEG2000 или BPG). Второй тип СНС под названием «сверточная нейронная сеть воспроизведения» (ВоспрСНС) применяется для восстановления декодированного изображения с высоким качеством. С целью обеспечения эффективного взаимодействия двух видов СНС, используется единый сквозной алгоритм обучения для одновременного обучения моделей КомСНС и ВоспрСНС, что позволит упростить точное восстановление декодированного изображения с применением ВоспрСНС. Данная разработка также позволяет совместить предлагаемую модель сжатия с существующими стандартами кодирования изображений. Ключевые слова: глубинное обучение, сжатие изображений, свёрточные нейронные сети.