Komprese barev Jakub Gemrot Ondřej Burkert. Popis problému Běžné obrázky mají 16,7 mil. barev Běžné obrázky mají 16,7 mil. barev Problém: Jak je rozumně.

Slides:



Advertisements
Podobné prezentace
Lineární klasifikátor
Advertisements

Nový Apple Mac Pro David Gamrát, 2.E. Základní verze  čtyřjádrový procesor Intel Xeon E Kč  šestijádrový procesor Intel Xeon E
Rastrové obrázky – teorie Test
Počítačová grafika.
Výukový modul projektu: Nové formy výuky ve školách kraje Vysočina Projekt je spolufinancován Evropským sociálním fondem a státním rozpočtem České republiky.
IP adresy - cvičení.
Webové formáty Bohumil Bareš. -1- Rozdělení grafických formátů  firemní (PSD, AI, FLA……)  univerzální (GIF, JPEG, TIFF, PNG…)  bitmapové (rastrové,
STŘÍDAVÝ PROUD PROUD MĚNÍCÍ SVŮJ SMĚR.
SMS brána Eurotel Jednoduché OCR pomocí neuronových sítí Marek Kukačka
Face recognition Using PCA and EST Jakub Barták a Zdeněk BěhanMFF UK.
Automatická fonetická segmentace pomocí UNS Registr - 36 neuronových sítí MLNN (pro každou českou hlásku jedna UNS) Trénovací množina: databáze promluv.
ENERGIE KLASTRŮ VODY ZÍSKANÁ EVOLUČNÍMI ALGORITMY
Základní škola národního umělce Petra Bezruče, Frýdek-Místek, tř. T. G. Masaryka 454 Projekt SIPVZ 2005.
DOK „Umělá inteligence“ v DOK (i jinde). NEURONOVÉ SÍTĚ.
Využití umělých neuronových sítí k urychlení evolučních algoritmů
Rozpoznávání tištěných znaků pomocí LVQ sítí Neuronové sítě 2006/2007 Jan Hroník, Pavel Krč.
Tato prezentace byla vytvořena
Kdo chce být milionářem ?
Variable –Length Subnet Mask. Úkol: vytvořit pro přidělenou síť s číslem /24 číslovací plán s využitím VLSM.
Počítačové vybavení Gymnázium Šlapanice. Školní síť Server s OS Linux Stanice s OS Win98, NT, XP Možnost bootování OS Linux ze serveru Rychlost sítě 100.
Neuronové sítě Jakub Krátký.
Procenta.
Geometrická posloupnost
Gymnázium Jiřího Ortena KUTNÁ HORA
Počítačová grafika Základní pojmy.
Řešení úloh v testech Scio z obecných studijních předpokladů zadaných ve školním roce 2012/2013 pro 9. ročník (36. – 44. úloha) IV. označení digitálního.
Měsíc Měsíc je jediná známá přirozená družice Země. Pohled ze Země
Miloslav Mazanec © 2013 Počítačová grafika.
Bitmapa a pixel Zpracoval Mgr. Antonín Grafnetter Střední škola živnostenská Sokolov 2013.
* Graf přímé úměrnosti Matematika – 7. ročník *
Měřítko mapy, plánu Matematika – 7. ročník
- VYJADŘUJÍ ČÁST Z CELKU - PŘIČEMŽ CELEK JE VŽDY 100 %
Cvičná hodnotící prezentace Hodnocení vybraného projektu 1.
ESKILLS.EC.EUROPA.EU Výsledky IT Fitness ESKILLS.EC.EUROPA.EU Základní informace – paralelně i na Slovensku.
Test akutní toxicity na rybách
Základní pojmy počítačové grafiky
Grafika a digitální fotografie
INFORMATIKA 9. ročník.
POČÍTAČOVÁ GRAFIKA (PG)
Grafika a digitální fotografie Volitelný modul úrovně P díl č. 3.
Kvadratická funkce. Co je to funkce Každému prvku x z definičního oboru je přiřazeno právě jedno číslo y z oboru hodnot x je nezávisle proměnná y je závisle.
Číslo projektuCZ.1.07/1.5.00/ Číslo materiáluVY_32_INOVACE_060 Název školyGymnázium, Tachov, Pionýrská 1370 Autor Ing. Roman Bartoš Předmět Informatika.
POZNÁMKY PRO VÝUKU Předmět:GRAFIKA A DIGITÁLNÍ FOTOGRAFIE Téma:ÚVOD DO BITMAPOVÉ A VEKTOROVÉ GRAFIKY Školení v rámci SIPVZ:UČITELÉ Mezipředmětové vztahy:
Výukový modul projektu: Nové formy výuky ve školách kraje Vysočina Projekt je spolufinancován Evropským sociálním fondem a státním rozpočtem České republiky.
Úvod do počítačové grafiky
36NAN Semestrální práce Predikce ceny akcií dle dosavadního vývoje.
POČÍTAČOVÁ GRAFIKA ÚPRAVA FOTOGRAFIÍ – ZÁKLADNÍ ÚPRAVY ING. BOHUSLAVA VITEKEROVÁ IKT MS Office
Hopfieldova asociativní paměť. Topologie sítě 1 vrstva zároveň vstupní i výstupní mezi neurony existují všechny spoje (kromě smyček)
Počítačová grafika.
Grafika a digitální fotografie Volitelný modul úrovně P díl č. 1.
Klasifikace klasifikace: matematická metoda, kdy vstupní objekty X(i) jsou rozřazovány do tříd podle podobnosti metody klasifikace bez učitele: podoba.
Jan Šaršon Milan Jaška 1Dobývání znalostí, MFF UK, 2008.
Zpracování a využití informací Autorem materiálu je Mgr. Eva Švarcová ZŠ Dobříš, Komenského nám. 35, okres Příbram Inovace školy – Dobříš, EUpenizeskolam.cz.
Barevná hloubka: Ukázky obrázků ještě jednou:
Písemka. 01. pomocí minimálně 4 obrázků vysvětlete rozdíl mezi bitmapovou a vektorovou grafikou bitmapová grafika Vektorová grafika.
Kinematika 5. ROVNOMĚRNÝ POHYB I. Mgr. Jana Oslancová
W i ref (t+1) = W i ref (t) + h ci (t) [X(t) - W i ref (t)], i Nc h ci (t) 0, t  proces konverguje Algoritmy a struktury neuropočítačů ASN – P3 SOM algoritmus.
Poznámky k testu Z uvedených otázek je vždy jedna odpověď správná.
Algoritmy a struktury neuropočítačů ASN - P14 Hopfieldovy sítě Asociativní paměti rekonstrukce původních nezkreslených vzorů předkládají se neúplné nebo.
Vytvoření dokumentu bylo financováno ze zdrojů Evropského sociálního fondu a státního rozpočtu ČR. Registrační číslo projektu: CZ.1.07/1.1.32/ Rastrová.
Vytvoření dokumentu bylo financováno ze zdrojů Evropského sociálního fondu a státního rozpočtu ČR. Registrační číslo projektu: CZ.1.07/1.1.32/ Počítačová.
Martin Langhammer Antonín Wimberský. ÚVOD PŘEDPOKLADY Jednotný vstup Zadní SPZ Stejný úhel a vzdálenost záběru Pouze vodorovné záběry značek Obdélníkové.
Cenová mapa podnájmů v Praze Ondřej Kmoch Tomáš Kohan
Neuronové sítě.
Počítačová grafika. Rastrová grafika Fungování monitoru Jak může monitor zobrazit barvy tak věrně? Kolik barev vůbec dokáže zobrazit?
Rastrová grafika Základní termíny – Formáty rastrové grafiky.
Metody strojového učení
Neuronové sítě.
Počítačová grafika.
Neuronové sítě.
Transkript prezentace:

Komprese barev Jakub Gemrot Ondřej Burkert

Popis problému Běžné obrázky mají 16,7 mil. barev Běžné obrázky mají 16,7 mil. barev Problém: Jak je rozumně zobrazit na zařízení podporujícím méně barev Problém: Jak je rozumně zobrazit na zařízení podporujícím méně barev Řešení: Řešení: Algoritmy z počítačové grafiky Algoritmy z počítačové grafiky Evoluční algoritmy Evoluční algoritmy Neuronové sítě Neuronové sítě

Architektura Použili jsme Kohonenovy sítě Použili jsme Kohonenovy sítě Zkoušeli jsme, vliv konfigurace na výsledek Zkoušeli jsme, vliv konfigurace na výsledek Kvalita výsledku – fitness dána průměrnou vzdáleností původní barvy od přidělené Kvalita výsledku – fitness dána průměrnou vzdáleností původní barvy od přidělené Testované parametry: Testované parametry: Počet barev – počet neuronů v síti ( ) Počet barev – počet neuronů v síti ( ) Počet epoch ( ) Počet epoch ( )

Trénovací množina Použili jsme následující obrázky: Použili jsme následující obrázky: 5080 barev6023 barev3377 barev

1 epocha200 epoch 16 barev 4 barvy 27 barev 64 barev 256 barev Graf závislosti fitness na počtu barev a počtu epoch

Nejlepší výsledek (64 b., 100 ep.)

1 epocha200 epoch 16 barev 4 barvy 27 barev 64 barev 256 b. Graf závislosti fitness na počtu barev a počtu epoch

Nejlepší výsledek (64 b., 200 ep.)

1 epocha200 epoch 16 barev 4 barvy 27 barev 64 barev 256 b. Graf závislosti fitness na počtu barev a počtu epoch 128 b.

Nejlepší výsledek (64 b., 200 ep.)

Průběh učení s rostoucím počtem epoch (256 barev) 1 epocha 5 epoch 10 epoch 50 epoch 100 epoc 200 epoch 400 epoch original

Závěr Při větším počtu epoch trvalo učení velmi dlouho Při větším počtu epoch trvalo učení velmi dlouho Větší počet epoch nemá takový dopad na výsledky Větší počet epoch nemá takový dopad na výsledky Nejlepší výsledky podávalo 27 a 64 barev Nejlepší výsledky podávalo 27 a 64 barev pro 128 a víc barev je 400 epoch málo pro 128 a víc barev je 400 epoch málo visuálně je 64 barev pro menší obrázek dostačující visuálně je 64 barev pro menší obrázek dostačující