社区导航

 
查看: 116|回复: 0

安徽大时代看软件公司谷歌怎么样定制化数据压缩

[复制链接]

64

TA的帖子

0

TA的资源

一粒金砂(初级)

Rank: 1

发表于 2017-2-21 09:19:21 | 显示全部楼层 |阅读模式
假设你在设计一个视频直播应用,希望用一套有损编码方案来减少需要向互联网上传的包。

你可以用H.264这样现成的编码解码器,但是H.264并不是最理想的解决方案,因为它是为通用视频校准的,也就是从猫咪视频到故事片都能用。改用为FaceTime视频而校准的编解码器可能会更好,因为当我们利用了“屏幕中间总是有张脸”这一点,能省下更多流量。

然而,设计一个这样的编码方案是有难度的。我们要怎样说明脸在什么位置,视频对象有多少根眉毛、眼睛是什么颜色、下巴是什么形状等等特征?如果头发挡住了眉毛怎么办?图像中没有脸或者有多个人的脸怎么办?

这时候,深度学习就派上用场了。自动编码器是一种神经网络,只是它的输出和输入数据一样而已。学习这个“恒等映射(identity mapping)”之所以重要,是因为这个自动编码器的隐藏层神经网络比输入层要小。这个“信息瓶颈”迫使自动编码器在隐藏层中学习一种数据的压缩表示(compressed representation),这种压缩表示还将被神经网络的其它层解码回原始形态。

通过端到端的训练,自动编码器等深度学习技术可以适应你数据的细微差别。不同于主成分分析法(PCA),编解码步骤不受(线性)仿射变换的限制。PCA学习的是一种“编码线性变换”,自动编码器学习的是“编码程序”。

这让神经网络更加强大,能用于更复杂的、特定领域的压缩,从在Facebook上存大量自拍到加载速度更快的YouTube视频,科学数据压缩再到降低你个人iTunes资料库所占的空间,都能用上这种技术。设想一下,假如你的iTunes资料库为了让你的音乐少占一点空间,它可能专门学习一种“乡村歌曲编码器”哦!



回复

使用道具 举报

您需要登录后才可以回帖 登录 | 注册

本版积分规则

  • 论坛活动 E手掌握

    扫码关注
    EEWORLD 官方微信

  • EE福利  唾手可得

    扫码关注
    EE福利 唾手可得

小黑屋|手机版|Archiver|电子工程世界 ( 京ICP证 060456

GMT+8, 2017-6-27 08:12 , Processed in 0.215250 second(s), 14 queries , Redis On.

快速回复 返回顶部 返回列表
关闭