Padziļināta apmācība palīdzēs novērst video aizsērēšanu internetā

Video piepilda internetu. Aptuveni 75% no visas datplūsmas ir video saturs, un paredzams, ka līdz 2021. gadam šis apjoms pieaugs trīs reizes.

Ja mēs nevēlamies, lai neremdināmais pieprasījums pēc kaķu video un straumēšanas pakalpojumiem uz visiem laikiem aizsprostotu cauruļvadus, mums būs jāpaļaujas uz video saspiešanu. Šis ir video faila atkārtotas kodēšanas process, lai tas būtu mazāks par sākotnējo. Taču pašreizējās saspiešanas metodes ir senas pēc mūsdienu tehnoloģiju standartiem. Esošo video saspiešanas algoritmu pamatprincipi pēdējo 20 gadu laikā nav būtiski mainījušies, saka Orens Ripels un viņa līdzdalībnieki no WaveOne, kas ir padziļinātas apmācības uzņēmums, kas mēģina video saspiešanu ievilkt 21. gadsimtā.

Šie puiši ir izmantojuši dziļu mācīšanos, lai izstrādātu jaunu saspiešanas algoritmu, kas ievērojami pārspēj esošos video kodekus. Viņi saka, ka, cik mums zināms, šī ir pirmā uz mašīnmācīšanos balstītā metode, kas to dara.

Video saspiešanas pamatideja ir noņemt liekos datus no koda un aizstāt to ar īsāku aprakstu, kas joprojām ļauj video reproducēt vēlāk. Lielākā daļa video saspiešanas notiek divos posmos.

Pirmais, kustības saspiešana, meklē kustīgus objektus un mēģina paredzēt, kur tie būs nākamajā kadrā. Pēc tam tā vietā, lai katrā kadrā ierakstītu ar šo kustīgo objektu saistītos pikseļus, algoritms kodē tikai objekta formu, kā arī kustības virzienu. Patiešām, daži algoritmi aplūko nākotnes kadrus, lai vēl precīzāk noteiktu kustību, lai gan tas acīmredzami nevar darboties tiešraidē. Rezultāts ir tāds, ka saspiests video vienkārši pārvērš objektu visā ekrānā.

Otrajā saspiešanas posmā tiek noņemtas pārējās dublēšanās starp vienu kadru un nākamo. Tāpēc tā vietā, lai reģistrētu katra pikseļa krāsu zilās debesīs, saspiešanas algoritms var noteikt šīs krāsas apgabalu un norādīt, ka tā nemainās dažu nākamo kadru laikā. Tātad šie pikseļi paliek tādā pašā krāsā, līdz tiek likts mainīt. To sauc par atlikušo saspiešanu.

Jaunā pieeja, ko ir ieviesuši Rippel un co, izmanto mašīnmācīšanos, lai uzlabotu abus šos saspiešanas paņēmienus. Ņemiet vērā kustības saspiešanu, kur komandas mašīnmācīšanās metodes ir atradušas jaunas uz kustību balstītas atlaišanas, kuras parastie kodeki nekad nav spējuši izmantot.

Piemēram, cilvēka galva, pagriežot no priekšpuses skata uz sānu skatu, vienmēr rada līdzīgu rezultātu. Tradicionālie kodeki nespēs paredzēt profila seju no priekšpuses skata, saka Rippel un citi. Turpretim jaunais kodeks apgūst šāda veida telpiskus un laika modeļus un izmanto tos, lai prognozētu nākotnes kadrus.

Vēl viena problēma ir sadalīt pieejamo joslas platumu starp kustību un atlikušo saspiešanu. Dažās ainās kustības saspiešana ir svarīgāka; citos lielākos ieguvumus nodrošina atlikušā saspiešana. Optimālais kompromiss starp tiem atšķiras atkarībā no kadra.

Tradicionālajiem saspiešanas algoritmiem tas ir grūti, jo tie saspiež abus procesus atsevišķi. Tas nozīmē, ka nav vienkārša veida, kā tos izmainīt.

Rippel un co to apiet, vienlaikus saspiežot abus signālus un izmantojot kadru sarežģītību, lai izlemtu, kā visefektīvākajā veidā sadalīt joslas platumu starp tiem.

Šie un citi uzlabojumi ir ļāvuši pētniekiem izveidot saspiešanas algoritmu, kas ievērojami pārspēj tradicionālos kodekus. Saspiežot augstas izšķirtspējas (1080p) video, parastie saspiešanas algoritmi, piemēram, H.265 un VP9, ​​rada failus, kas ir par 20% lielāki nekā tie, ko rada jaunais algoritms.

Un ieguvumi ir vēl lielāki standarta izšķirtspējas videoklipiem, piemēram, HEVC/H.265 un AVC/H.264. Tie parasti rada līdz pat 60% lielākus failus nekā komandas jaunā pieeja.

Tas ir iespaidīgs ieguvums, kas varētu ievērojami samazināt ar tiešsaistes video saistīto izmēru un lejupielādes laiku.

Tomēr jaunajai pieejai nav arī daži trūkumi. Iespējams, visnozīmīgākā ir tā skaitļošanas efektivitāte — laiks, kas nepieciešams videoklipu kodēšanai un atkodēšanai. Nvidia Tesla V100 platformā un VGA izmēra videoklipos jaunais dekodētājs darbojas ar vidējo ātrumu aptuveni 10 kadri sekundē, kodētājam strādājot ar aptuveni 2 kadriem sekundē. Tam ir ierobežots pieteikums tiešraidei.

Protams, pētnieki sagaida būtiskus uzlabojumus, pārejot ārpus principa pierādīšanas stadijas. Pašreizējais ātrums nav pietiekams izvietošanai reāllaikā, bet tas ir būtiski jāuzlabo turpmākajā darbā, viņi saka.

Tas nozīmē, ka, pateicoties šāda veida mašīnmācības pieejai, nākamajiem kibersērfotājiem vajadzētu būt iespējai lejupielādēt savus Troņu spēles vai kaķu videoklipus rekordīsā laikā un straumēt savas augstas izšķirtspējas futbola spēles efektīvāk nekā jebkad agrāk.

Atsauce: arxiv.org/abs/1811.06981 : Apgūta video saspiešana

paslēpties