基於摺積神經網路於 H.266/FVC 視訊編碼畫面內模式預測;Intra Mode Prediction for H.266/FVC Video Coding based on CNNs

NCU Institutional Repository > 資訊電機學院 > 通訊工程研究所 > 博碩士論文 > Item 987654321/77421

請使用永久網址來引用或連結此文件: http://ir.lib.ncu.edu.tw/handle/987654321/77421

題名:	基於摺積神經網路於 H.266/FVC 視訊編碼畫面內模式預測;Intra Mode Prediction for H.266/FVC Video Coding based on CNNs
作者:	黃靖雅;Huang, Jing-Ya
貢獻者:	通訊工程學系
關鍵詞:	未來視訊壓縮編碼;預測單位;畫面內編碼;模式預測;深度學習;摺積神經網路;Future Video Coding (FVC);Prediction Unit (PU);Intra Coding;Mode Prediction;Deep Learning;Convolutional Neural Network (CNN)
日期:	2018-08-02
上傳時間:	2018-08-31 14:37:43 (UTC+8)
出版者:	國立中央大學
摘要:	隨著網路和多媒體技術的快速發展，在人們的日常生活中高解析度視頻的重要性與日俱增，目前市面上已出現許多 4K 解析度的視訊內容，相信在未來高解析度視頻勢必會成為主流，然而目前最新的視頻壓縮標準 H.265/HEVC 已經逐漸不敷使用，因此 ISO/IEC MPEG 和 ITU-T VCEG 共同組成聯合視頻探勘小組 (Joint Video Exploration Team, JVET) 並制定下一代視訊壓縮標準 H.266/FVC (Future Video Coding)，從2015年開始討論並預計於2020年正式發佈為國際視訊壓縮標準。 H.266/FVC 相較於 H.265/HEVC 在預測單元之畫面內編碼的預測模式由35種擴增至67種，以適應更多不同畫面的任意邊緣方向。H.266/FVC 雖然提供更好的編碼效能，但預測模式數量的增加使在選擇預測模式時，執行複雜度也增加許多，因此針對畫面內編碼，發展如何在畫面品質與編碼複雜度平衡狀態下之預測模式決策是非常重要的議題。本論文結合近年來非常熱門的人工智慧系統 (Artificial Intelligence, AI)，提出基於摺積神經網路於 H.266/FVC 畫面內編碼之模式預測。主要分為兩部分探討：首先第一部份針對預測模型的訓練及訓練資料的選擇來做討論；而第二部份則將訓練好的預測模型整合至 H.266/FVC 壓縮參考軟體中來執行編碼。本論文所提出之方法平均可降低 0.1 % 的 BDBR。;With the rapid development of Internet and multimedia technology, the importance of high-resolution video in daily life has been increasing day by day. However, the latest video compression standard H.265/HEVC has gradually become insufficient. Therefore, ISO/IEC MPEG and ITU-T VCEG together form JVET (Joint Video Exploration Team) and develop the next-generation video compression standard H.266/FVC (Future Video Coding). Compared to the previous generation of video coding standard H.265/HEVC, the number of prediction modes is added from 35 to 67 to adapt to various local characteristics. Although H.266/FVC can provide better coding performance, it even increases lots of complexity in intra mode prediction dramatically. Therefore, how to develop intra mode prediction decisions in the balance between quality and coding complexity is an important issue. This paper combines the artificial intelligence system (AI), which is popular in recent years. We proposed intra mode prediction decision in H.266/FVC intra coding based on convolutional neural networks (CNNs). First, we train our intra mode prediction models and select the training data. And then, we integrate the trained prediction models into the reference software JEM7.0 to perform the coding. The proposed method in this paper can achieve 0.1 % BDBR decreasing on average, while the increases in coding time is negligible compared to JEM7.0.
顯示於類別:	[通訊工程研究所] 博碩士論文

文件中的檔案:

檔案	描述	大小	格式	瀏覽次數
index.html		0Kb	HTML	218	檢視/開啟

在NCUIR中所有的資料項目都受到原著作權保護.

社群 sharing

資料載入中.....