Fast Training of Neural Networks for Image Compression

Bodyanskiy, Yevgeniy; Grimm, Paul; Mashtalir, Sergii; Vinarski, Vladimir

doi:10.1007/978-3-642-14400-4_13

Cited by 5 publications

(3 citation statements)

References 7 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…Based on them, intelligent blocks of different systems for the chemical processes control are devised [5], for the classification of diseases [6] and diagnosis [7], to predict economic [8], biological [9] processes and forecasting the number of incidences of the disease under study [10]. As evidenced by research, neural network techniques are successfully used for the compression of signals and images [11][12][13], in the banking sector to assess credit risk [14].…”

Section: Literature Review and Problem Statementmentioning

confidence: 99%

Verification of realizability of boolean functions by a neural element with a threshold activation function

Geche

Mulesa

Buchok

2017

EEJET

View full text Add to dashboard Cite

На основі властивостей ядер функцій алге-бри логіки доведено критерій їх реалізованості одним нейронним елементом з пороговою функ-цією активації. Використовуючи зображення ядер булевих функцій матрицями толерантно-сті отримано ряд необхідних і достатніх умов їх реалізованості одним нейронним елементом, які можуть бути ефективно застосовані при син-тезі цілочислових нейронних елементів з вели-ким числом входів Ключові слова: матриця толерантності, опукла лінійна оболонка, вектор структури, функція активації На основе свойств ядер функций алгебры логики доказан критерий их реализуемости одним нейронным элементом с пороговой функ-цией активации. Используя представление ядер булевых функций матрицами толерантности, получен ряд необходимых и достаточных усло-вий их реализуемости одним нейронным эле-ментом, которые могут быть эффективно при-менены при синтезе целочисленных нейронных элементов с большим числом входов Ключевые слова: матрица толерантности, выпуклая линейная оболочка, вектор структу-ры, функция активации UDC 681.5:519.7

show abstract

Section: Literature Review and Problem Statementmentioning

confidence: 99%

Verification of realizability of boolean functions by a neural element with a threshold activation function

Geche

Mulesa

Buchok

2017

EEJET

View full text Add to dashboard Cite

show abstract

“…These models are successfully used in diagnostics [10], economic [11] and biological process [12] forecasting and morbidity prediction for the diseases under study [13]. As the studies show, neural network methods are widely applied for the compression of discrete signals and images [14][15][16] and in the banking sector for credit risk assessment [17].…”

Section: Literature Review and Problem Statementmentioning

confidence: 99%

Synthesis of generalized neural elements by means of the tolerance matrices

Geche

Mulesa

Buchok

2017

EEJET

View full text Add to dashboard Cite

На основі властивостей матриць толерантно-сті і ядер булевих функцій встановлено критерій реалізованості функцій алгебри логіки одним уза-гальненим нейронним елементом відносно довіль-ної системи характевів. Отримано ряд необхідних та достатніх умов реалізованості булевих функ-цій одним узагальненим нейронним елементом і на основі достатніх умов розроблено ефективний алгоритм синтезу цілочислових узагальнених ней-ронних елементів з великим числом входів Ключові слова: матриця толерантності, ядро булевої функції, характер групи,спектр булевої функції На основании матриц толерантности и ядер булевых функций установлен критерий реализу-емости функций алгебры логики на одном обоб-щенном нейронном элементе относительно про-извольной системы характеров. Получен ряд необходимых и достаточных условий реализуемо-сти булевых функций на одном обобщенном ней-ронном элементе, и на основании достаточных условий разработан эффективный алгоритм син-теза целочисленных обобщенных нейронных эле-ментов с большим числом входов Ключевые слова: матрица толерантности, ядро булевой функции, характер группы, спектр булевой функции UDC 681.5:519.7

show abstract

“…Speed is one of the fundamental issues that always appear in the application of image compression. In [4,19,20,22], the problems associated with neural network for compression is discussed. Authors have given the concept of reduction of original feature space, which allows us to eliminate the image redundancy and accordingly leads to their compression.…”

Section: Introductionmentioning

confidence: 99%

Modeling of neural image compression using GA and BP: a comparative approach

Rajput¹,

Shivashetty²,

Singh³

2011

SpecialIssue

View full text Add to dashboard Cite

Abstract-It is well known that the classic image compression techniques such as JPEG and MPEG have serious limitations at high compression rate; the decompressed image gets really fuzzy or indistinguishable. To overcome problems associated with conventional methods, artificial neural networks based method can be used. Genetic algorithm is a very powerful method for solving real life problems and this has been proven by applying to number of different applications. There is lots of interest to involve the GA with ANN for various reasons at various levels. Trapping in the local minima is one of the well-known problems of gradient decent based learning in ANN. The problem can be addressed using GA algorithm. But no work has been done to evaluate the performance of both learning methods from the image compression point of view. In this paper, we investigate the performance of ANN with GA in the application of image compression for obtaining optimal set of weights. Direct method of compression has been applied with neural network to get the additive advantage for security of compressed data. The experiments reveal that the standard BP with proper parameters provide good generalize capability for compression and is much faster compared to earlier work in the literature, based on cumulative distribution function. Further, the results obtained shows that general concept about GA, it performs better over gradient decent based learning, is not applicable for image compression.

show abstract

Fast Training of Neural Networks for Image Compression

Cited by 5 publications

References 7 publications

Verification of realizability of boolean functions by a neural element with a threshold activation function

Verification of realizability of boolean functions by a neural element with a threshold activation function

Synthesis of generalized neural elements by means of the tolerance matrices

Modeling of neural image compression using GA and BP: a comparative approach

Contact Info

Product

Resources

About