畫面間編碼中CU及PU快速分割法則之研究

以作者查詢圖書館館藏

、以作者查詢臺灣博碩士

、以作者查詢全國書目

、勘誤回報

、線上人數：62

、訪客IP：18.217.104.36

姓名

魏廷諭(Ting-Yu Wei) 查詢紙本館藏

畢業系所

通訊工程學系

論文名稱

畫面間編碼中CU及PU快速分割法則之研究
(Efficient CU and PU Partitions for HEVC Inter Prediction)

相關論文

★ 10Gb/s MM XFP光收發模組設計與實現	★ 資訊產品自動化測試之研究
★ 高電流密度鰭式氮化鎵高電子遷移率電晶體研究	★ 電子郵件及壓縮檔案解碼之研究
★ 渦輪碼在光學記錄系統上之應用	★ 離散餘弦轉換硬體架構之研究
★ 動態影像之錯誤隱藏研究	★ 即時性無失真壓縮編碼之研究
★ 類神經網路在手寫數字辨識之研究	★ 事後機率演算法則在資料儲存系統之研究
★ 紅外線傳輸協定及通道之研究	★ 低密度同位元檢查碼在數位資料儲存系統之研究
★ 一種新型的JPEG2000竄改偵測與還原技術	★ 即時性無失真壓縮之研究
★ 混合快速模式決策演算法之研究	★ 光學記錄MEPR2通道系統之時序恢復探討與研究

檔案

[Endnote RIS 格式]

[Bibtex 格式]

[相關文章]

[文章引用]

[完整記錄]

[館藏目錄]

至系統瀏覽論文 (2026-1-10以後開放)

摘要(中)

近幾年來由於科技的進步，使得越來越多的人們追求更高解析度的畫面品質，所以影像輸出的多媒體也使用更高解析度的商品，因此為了有效壓縮如此高解析度影像的巨量資料，HEVC(High Efficiency Video Coding)比起上一代H.264使用了更多較新的技術來降低編碼的位元率，例如:畫面內預測、畫面間預測、碼率失真最佳化等等，但也同時造成了編碼計算複雜度也就是時間的花費提升。於是本篇論文使用了深度學習中的卷積神經網路 CNN ( Convolutional Neural Network ) 及支持向量機 SVM ( Support Vector Machine )，並且後續運用PU中的資訊，將其應用於HEVC編碼單元(CU)階段的決策，利用已經計算過的特徵，在CNN分類過後，針對緩慢移動的區塊以及快速移動的區塊，做快速的CU以及PU的分類。本論文在剛開始編碼時，就先使用SVM對編碼單元做區分，將一個CTU分類成只處理深度0、深度0~1、深度0~2、深度0~3四種類別，再利用卷積神經網路分層向下細分，將部分深度0以及深度1的CU獨立，最後使用CU、PU的特徵，來決定是否提早終止深度劃分，以及PU是否提早決定模式，以此節省後續深度所需計算時間達成編碼端縮減時間。最終實驗結果顯示，與標準的HEVC比較，整體平均BDBR上升1.64%的情況下，編碼時間大約可以節省71.1%。

摘要(英)

Due to the advancement of technology in recent years, more and more people are pursuing higher resolution picture quality, so the multimedia output also uses higher resolution products, therefore, in order to effectively compress the huge amount of data of such high resolution video, HEVC (High Efficiency Video Coding) uses more newer technologies than the previous generation of H.264 to reduce the bit rate of encoding, such as: intra-prediction,inter-prediction,rate distortion optimization,However, it also increases the complexity of the coding calculation that is the time spent.

In this paper, we use CNN (Convolutional Neural Network) and SVM (Support Vector Machine) in deep learning to apply the information from PU to the decision of HEVC coding unit (CU) stage. We use SVM to differentiate the coding units at the beginning of coding, and classify a CTU into four categories: depth 0, depth 0~1, depth 0~2, and depth 0~3, and then use the convolutional neural network to subdivide the CU0 in layers, and separate the CU0. Finally, use the features of CU and PU to decide whether to terminate the depth division early and whether the PU decides the mode early. This saves the computation time required for subsequent depths and achieves code-side reduction. The final experimental results show that, compared with standard HEVC, the overall average BDBR increases by 1.64% and the encoding time can be saved by about 71.1%.

關鍵字(中)

★ 高效率視頻編碼
★ 畫面間預測
★ 編碼單元
★ 快速深度決策
★ 支持向量機
★ 碼率失真最佳化

關鍵字(英)

★ High efficiency video coding inter picture prediction
★ coding unit
★ fast depth decision
★ support vector machine
★ convolutional neural network
★ rate distortion optimization

論文目次

論文摘要 IX
Abstract X
誌謝 XII
章節目錄 XIII
附圖索引 XV
附表索引 XVIII
第1章緒論 1
1.1研究動機 1
1.1.1論文架構 1
1.2 HEVC高效率視訊編碼流程介紹 2
1.2.1 HEVC高效率視訊編碼流程介紹 3
1.2.2編碼單元(Coding Unit/CU) 4
1.2.3預測單元(Prediction Unit/PU) 6
1.2.4轉換單元(Transform Unit/TU) 7
1.2.5碼率失真代價函數(RD cost) 8
1.3畫面間預測介紹 9
1.3.1合併模式介紹(Merge Mode Decision) 10
1.3.2 畫面間模式介紹(Inter Mode Decision) 12
第2章支持向量機與卷積神經網路介紹 18
2.1 支持向量機(Support Vector Machine) 18
2.2 深度學習(Deep Learning) 20
2.2.1 類神經網路(Neural Network) 21
2.2.2 卷積神經網路(Convolutional Neural Network) 22
2.3 利用CNN減少CU編碼複雜度文獻回顧 28
2.3.1 Fast CU Depth Decision for HEVC Using Neural Networks 28
第3章相關文獻回顧及改進 32
3.1 SVM-CNN應用於畫面間編碼單元切割之回顧及改進 32
3.1.1 SVM-CNN演算法回顧 32
1. 移動向量變異數(Motion Vector Variance) 34
2. Coded Block Flag (CBF) 37
3. 鄰近編碼單元深度資訊 (Neighboring CU) 38
4. 訓練樣本(Training) 41
3.1.2 SVM-CNN演算法之優缺點分析及改進 48
3.2 CU Skip - PU 2N快速決策演算法之回顧及改進 56
3.2.1 CU Skip - PU 2N快速決策演算法之回顧 56
3.2.2 CU Skip - PU 2N快速決策演算法之優缺點分析及改進 66
第4章結合SVM-CNN/CU Skip - PU 2N之快速決策演算法 71
4.1結合SVM-CNN/CU Skip之CU編碼複雜度研究 72
4.1.1 結合SVM-CNN/CU Skip之CU決策演算法 73
4.1.2 結合SVM-CNN/CU Skip演算法效能分析及討論 78
4.2結合SVM-CNN/CU Skip - PU 2N快速決策之探討 85
4.2.1 結合SVM-CNN/CU Skip - PU 2N快速決策演算法 85
4.2.2結合SVM-CNN/CU Skip - PU 2N演算法效能分析及討論89
第5章節論與未來展望 92
參考文獻 94

參考文獻

[1] “Video coding for low bit rate communication, version 1,” ITU-T recommendation H.263, 1995.
[2] I. E. G. Richardson, H.264 and MPEG-4 Video Compression: Video Coding for Next-generation Multimedia. Aberdeen, U.K.: John Wiley & Sons, 2003.
[3] Gary J. Sullivan, Jens-Rainer Ohm, Woo-Jin Han and Thomas Wiegand, “Overview of the high efficiency video coding (HEVC) Standard,” in Proc. IEEE Transactions on circuits and systems for video technology, vol. 22, no. 12, pp. 1649-1668, Dec. 2012.
[4] L. Zhao, X. Guo, S. Lei, S. Ma and D. Zhao, “Simplified AMVP for high efficiency video coding,” in Proc. IEEE ICIP, pp. 1-4, 27-30 Nov. 2012.
[5] Y. Ismail and S. El-etriby, “Fast diamond search algorithm for real time video coding,” in Proc. IEEE ICNC, pp. 729-733, Feb. 2012.
[6] K. Kim and W. W. Ro, "Fast CU depth decision for HEVC using neural networks", IEEE Trans. Circuits Syst. Video Technol., vol. 29, no. 5, pp. 1462-1473, May 2019.
[7] D.H Yang“SVM/CNN-based CTU Partition for HEVC Inter Prediction” Department of Communication Engineering National Central University, Taiwan 32054, R.O.C., Jan 2021.
[8] J.K. Liu, “Efficient HEVC inter prediction using SVM,” Department of Communication Engineering National Central University, Taiwan 32054, R.O.C.
[9] J. L. Lin, Y. W. Chen, Y. W. Huang, and S. M. Lei, “Motion vector coding in the HEVC standard,” in Proc. IEEE Journal of Selected Topics in Signal Processing, vol. 7, no. 6, pp. 957-968, 3 July 2013.
[10] Y.D Tsai, “Research on Fast HEVC Inter Prediction Coding” National Central University, National Central University, Taiwan 32054, R.O.C., Jan 2019.

指導教授

林銀議(Yin-Yi Lin)

審核日期

2023-1-16

推文