隨著信息多媒體技術的不斷發(fā)展,高清晰度視頻的應用逐步普及,社交媒體上大量的視頻數據使得高效的壓縮編碼技術愈發(fā)重要。針對這一需求,視頻編碼聯合小組JCT-VC于2013年開發(fā)出新一代視頻編碼標準HEVC,相比于前一代編碼標準H.264/AVC,HEVC能在達到相同的編碼質量的情況下,減少50%所需比特。但與此同時,HEVC的編碼復雜度大大上升,這也導致HEVC較難被一些實時應用或移動終端所采納。另一方面,隨著計算機視覺、智能數據分析等技術的高速發(fā)展,有許多新型的智能應用涌現,例如監(jiān)控視頻分析、醫(yī)學圖像理解等,許多的視頻數據需要被壓縮傳輸后經由這些智能應用處理。因此,針對這些智能應用來提升編碼效率十分必要。本文圍繞降低編碼復雜度及智能比特分配兩大核心問題,開展了深入的研究。HEVC巨大的幀內編碼復雜度來源于靈活多變的編碼單元大小以及多達35種的幀內預測模式。我們提出了基于深度學習的加速框架LFHI,滿足了多功能的加速需求。首先,我們提出了高效的非對稱核卷積神經網絡（asymmetric-kernel convolutional neural network,AK-CNN）,能夠在低復雜度的... 

【文章來源】：中國科學技術大學安徽省 211工程院校 985工程院校

【文章頁數】：74 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 研究背景及意義
    1.2 國內外研究現狀
        1.2.1 HEVC幀內編碼加速工作
        1.2.2 智能比特分配工作
    1.3 論文主要工作及結構安排
        1.3.1 論文的研究內容及貢獻
        1.3.2 論文的結構安排
第2章 HEVC關鍵技術及特點
    2.1 HEVC中的塊劃分技術
    2.2 HEVC中的幀內預測技術
    2.3 HEVC中的率失真優(yōu)化技術
    2.4 本章小節(jié)
第3章 基于深度學習的幀內編碼加速
    3.1 快速CU/PU劃分算法
        3.1.1 四層分類器架構
        3.1.2 AK-CNN結構
        3.1.3 基于演化算法的門限機制
        3.1.4 多樣化的量化參數適應算法
    3.2 快速幀內預測模式選擇算法
        3.2.1 最少率失真優(yōu)化模式
        3.2.2 期望值回歸模型
    3.3 實驗結果及分析
        3.3.1 EHIC數據集
        3.3.2 實驗配置
        3.3.3 CNN訓練細節(jié)
        3.3.4 快速CU/PU劃分算法性能評估
        3.3.5 快速幀內預測模式選擇算法性能評估
        3.3.6 總體方案性能評估
        3.3.7 非對稱卷積核性能分析
        3.3.8 模型復雜度分析
    3.4 本章小結
第4章 基于深度強化學習的智能比特分配
    4.1 失真評價準則
    4.2 智能比特分配框架
        4.2.1 重要性圖生成過程
        4.2.2 強化學習算法流程
    4.3 實驗結果及分析
        4.3.1 TBA數據集
        4.3.2 實驗配置
        4.3.3 性能評價及分析
    4.4 本章小結
第5章 總結和展望
參考文獻
致謝
在讀期間發(fā)表的學術論文與取得的研究成果



本文編號：3169798