DEEP IMAGE COMPRESSION WITH A UNIFIED SPATIAL AND CHANNEL CONTEXT AUTO-REGRESSIVE MODEL
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Orta Doğu Teknik Üniversitesi, Mühendislik Fakültesi, Elektrik ve Elektronik Mühendisliği Bölümü, Türkiye
Tezin Onay Tarihi: 2022
Tezin Dili: Türkçe
Öğrenci: ALİ SEFKAN ULUDAĞ
Danışman: Fatih Kamişli
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Yakın zamanda, boyut azaltma özelliğinden dolayı, değişimsel oto-kodlayıcılar büyük bir ilgi toplamıştır. Bu tip modellerin üç ana parçası bulunmaktadır. Bunlar kodlayıcı, kod çözücü ve entropi ağlarıdır. Kodlayıcı kısmı, görüntüyü yüksek boyutlara sahip olan girdi uzayından düşük boyutlara sahip olan örtük uzaya dönüştürür. Bunun yanında, kod çözücü ise tekrardan boyut yükselterek örtük uzaydan görüntü uzayına dönüştürme görevindedir. Entropi modeli ise aritmetik kodlamada kullanılmak üzere örtük uzaydaki elemanların olasılık dağılımlarını üretmek için eğitilmektedir. Uçtan uca optimizasyon, kod çözücünün çıktısının bozulma kaybı ve entropi ağının çıktısının hız kaybının ağırlıklı toplamı ile gerçekleştirilmektedir. Değişimsel oto-kodlayıcı temelli öğrenilmiş görüntü sıkıştırma teknikleri ilk Ballé (2016) ile tanıtılmıştır. Ballé (2018) örtük uzaydaki uzaysal koşullulukları daha iyi ifade edebilmek için bir hiper-evvel ağı uyarlayarak geliştirmiştir. Uzaysal ve kanalsal içerik modelleri Minnen (2018) ve Minnen (2020) ile eklenmiştir. Bu özbağlanımlı modeller entropiyi azaltmak için uygulanmıştır. Bu tez bahsi geçen görüntü sıkıştırma mimarileri üzerine inşa edilen bir görüntü sıkıştırma modeli sunmaktadır. Her iki özbağlanımlı model de bu çalışmada kullanılmıştır. Uzaysal özbağlanımlı ve kanalsal özbağlanımlı modellerin birbirini tamamlayıcı özellikte oldukları ve birlikte kullanımlarının hız-bozulma performanını arttırdığı gözlenmiştir. Kanalsal özbağlanımlı model örtük uzaydaki temsili kanal boyutu boyunca daha küçük kanala sahip olan parçalara böler. Bu model, işlenmekte olan kanal parçasını daha önce işlenen kanal parçalarına koşullayarak kanallar arasındaki fazlalıkları giderir. Uzaysal özbağlanımlı model ise bir kanal parçası içerisindeki uzaysal korelasyonları yakalar. Bunlara ilaveten, örtük değişken daha küçük parçalara ayrılarak uzaysal özbağlanımlı modelin parelelleştirilmesinin mümkün olduğu gözlenmiştir.