The neural network models can be often applied to solve real world problems, especially when the algorithm is not known, or no parallel algorithm is known. From this point of view, there have already been network models proposed for the image data compression by G.W.Cottrell et al. But their result remains a room for improvement because they used one network for large input image patterns and didn't consider the generalization capability of neural network.
In this thesis, in order to improve the quality of reconstructed image, we proposed multiple subnetwork model which consists of pattern classifier and K subnetworks. The pattern classifier classifies the image patterns into one of the subnetworks. Each subnetwork is a feedforward type, 3-layered network with back propagation learning algorithm. The pattern classifier employes picture information measure as a distance measure for clustering. The main feature of our model lies on the was of grouping image patterns, the number of subnetworks and the number of clustes. In order to obtain an improvement of the reconstructed image, similar image patterns are grouped into another subnetwork. The quality of reconstructed image by grouping was examined experimentally. The effects of learning regarding to the number of subnetworks and cluster are also shown experimentally.
본 논문에서는 신경망 기법을 이용한 영상 압축 기술에 대하여 연구하였다. 신경망은 여러 분야에서 새로운 기술로써 응용되고 있다. 특히 입력과 출력 관계는 알고 있으나 적합한 알고리즘이 알려져 있지 않을때 적합한 기술이라고 할 수 있다. 이러한 맥락에서 본 논문에서는 영상 압축을 이러한 신경망 기법으로 해결하고자 할때 신경망 자체가 가지는 성질로 인해 생기는 문제를 극복하고자 다중 신경망기법을 제안하였다.
제안된 다중 신경망은 영상패턴 분류기와 K 개의 신경망 모듈로 구성되어 있다. 영상 압축이라는 문제는 패턴 인식의 문제와 달리 유사한 영상패턴들도 서로 다른 패턴으로 처리하여야 하고 또한 신경망 자체는 이러한 유사한 패턴들을 하나의 대표적인 패턴으로 일반화 시키는 성질을 가지고 있기 때문에 제안된 다중 신경망의 영상패턴 분류기는 유사한 영상패턴들을 서로 다른 그룹으로 구분하여 처리하는 방식을 이용하여 이러한 문제들을 해결하였다.
실험 결과 다중 신경망을 이용하여 영상을 압축했을때 위에서 언급된 문제점들이 해결되어 기존의 방법인 하나의 신경망을 이용하는 경우보다 복원된 영상의 에러가 줄어들어 본 연구에서와 같이 영상 압축의 특성을 고려하여 신경망을 적용하는 것이 타당하다고 생각된다.
