-
公开(公告)号：CN109982092B
公开(公告)日：2022-11-01
申请号：CN201910349667.5
申请日：2019-04-28
Applicant: 华侨大学
IPC: H04N19/503 , H04N19/119 , H04N19/14 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于多分支循环卷积神经网络的HEVC帧间快速方法，属于视频编码领域，方法包括：首先使用多分支卷积神经网络，对每个CTU进行预处理，并分别作为不同分支的卷积神经网络的输入，经过卷积计算之后，将得到的特征进行全连接，分为三个分支输出特征向量，再利用循环神经网络将特征向量和上一时刻的状态向量进行处理，并加入不同QP值的考量，最终输出三个分支的分类结果，三个分支分别对应每个CTU中深度等级0、1或2，判断三个深度等级的CU是否继续划分或者停止划分。本发明一种基于多分支循环卷积神经网络的HEVC帧间快速方法能够减少编码器计算开销，在保持编码性能基本不变的情况下，减少编码时间。
-
公开(公告)号：CN110072113A
公开(公告)日：2019-07-30
申请号：CN201910414604.3
申请日：2019-05-17
Applicant: 华侨大学
IPC: H04N19/597 , H04N19/109 , H04N19/503 , H04N13/161
Abstract: 本发明涉及一种基于贝叶斯决策的3D-HEVC深度图帧间快速算法，属于视频编码领域，本方法包括CU尺寸判决和模式快速选择。首先，提取当前CU划分或者不划分时，遍历完DIS模式的RDcost作为特征，通过离线训练高斯模型，并且计算损失函数，将后验概率与损失函数作比较，判断当前CU是否为最佳尺寸；其次，提取最优模式是否是SKIP或者DIS时，遍历完SKIP或者DIS的RDcost作为特征，引入全零块，通过最小错误贝叶斯判决，判断当前最优模式是否是SKIP或者DIS。本发明一种基于贝叶斯决策的3D-HEVC深度图帧间快速算法能够减少编码器计算开销，在保持编码性能基本不变的情况下，减少编码时间。
-
公开(公告)号：CN110072113B
公开(公告)日：2023-03-10
申请号：CN201910414604.3
申请日：2019-05-17
Applicant: 华侨大学
IPC: H04N19/597 , H04N19/109 , H04N19/503 , H04N13/161
Abstract: 本发明涉及一种基于贝叶斯决策的3D‑HEVC深度图帧间快速算法，属于视频编码领域，本方法包括CU尺寸判决和模式快速选择。首先，提取当前CU划分或者不划分时，遍历完DIS模式的RDcost作为特征，通过离线训练高斯模型，并且计算损失函数，将后验概率与损失函数作比较，判断当前CU是否为最佳尺寸；其次，提取最优模式是否是SKIP或者DIS时，遍历完SKIP或者DIS的RDcost作为特征，引入全零块，通过最小错误贝叶斯判决，判断当前最优模式是否是SKIP或者DIS。本发明一种基于贝叶斯决策的3D‑HEVC深度图帧间快速算法能够减少编码器计算开销，在保持编码性能基本不变的情况下，减少编码时间。
-
Patent Agency Ranking
公开(公告)号：CN109756719B
公开(公告)日：2020-06-26
申请号：CN201910080870.7
申请日：2019-01-28
Applicant: 华侨大学
IPC: H04N13/122 , H04N13/128 , H04N13/161 , H04N19/149 , H04N19/147 , H04N19/159 , H04N19/169 , H04N19/96
Abstract: 本发明涉及一种基于CU划分贝叶斯决策的3D‑HEVC帧间快速方法，属于视频编码领域；本方法首先对纹理图视频和深度图视频的编码单元(CU)划分的率失真代价(RDcost)和不划分的率失真代价(RDcost)进行高斯建模；然后通过离线训练计算先验概率；最后采用贝叶斯决策对当前编码单元(CU)划分与不划分计算后验概率，判断当前编码单元是否为最佳单元。本发明一种基于CU划分贝叶斯决策的3D‑HEVC帧间快速方法能够减少编码器计算开销，在保持编码性能基本不变的情况下，减少编码时间。
-
公开(公告)号：CN109982092A
公开(公告)日：2019-07-05
申请号：CN201910349667.5
申请日：2019-04-28
Applicant: 华侨大学
IPC: H04N19/503 , H04N19/119 , H04N19/14 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于多分支循环卷积神经网络的HEVC帧间快速方法，属于视频编码领域，方法包括：首先使用多分支卷积神经网络，对每个CTU进行预处理，并分别作为不同分支的卷积神经网络的输入，经过卷积计算之后，将得到的特征进行全连接，分为三个分支输出特征向量，再利用循环神经网络将特征向量和上一时刻的状态向量进行处理，并加入不同QP值的考量，最终输出三个分支的分类结果，三个分支分别对应每个CTU中深度等级0、1或2，判断三个深度等级的CU是否继续划分或者停止划分。本发明一种基于多分支循环卷积神经网络的HEVC帧间快速方法能够减少编码器计算开销，在保持编码性能基本不变的情况下，减少编码时间。
-
公开(公告)号：CN109756719A
公开(公告)日：2019-05-14
申请号：CN201910080870.7
申请日：2019-01-28
Applicant: 华侨大学
IPC: H04N13/122 , H04N13/128 , H04N13/161 , H04N19/149 , H04N19/147 , H04N19/159 , H04N19/169 , H04N19/96
Abstract: 本发明涉及一种基于CU划分贝叶斯决策的3D-HEVC帧间快速方法，属于视频编码领域；本方法首先对纹理图视频和深度图视频的编码单元(CU)划分的率失真代价(RDcost)和不划分的率失真代价(RDcost)进行高斯建模；然后通过离线训练计算先验概率；最后采用贝叶斯决策对当前编码单元(CU)划分与不划分计算后验概率，判断当前编码单元是否为最佳单元。本发明一种基于CU划分贝叶斯决策的3D-HEVC帧间快速方法能够减少编码器计算开销，在保持编码性能基本不变的情况下，减少编码时间。
-
公开(公告)号：CN109996084B
公开(公告)日：2022-11-01
申请号：CN201910361446.X
申请日：2019-04-30
Applicant: 华侨大学
IPC: H04N19/59 , H04N19/119 , H04N19/14 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于多分支卷积神经网络的HEVC帧内预测方法，属于视频编码领域，本方法使用多分支卷积神经网络，对每个CTU进行预处理，并分别作为不同分支的卷积神经网络的输入，经过卷积计算之后，将得到的特征进行全连接，考虑不同QP值的影响，并最终输出三个分支的分类结果，三个分支分别对应每个CTU中深度等级0，1，2，判断三个深度等级的CU是否继续划分或者停止划分。本发明一种基于多分支卷积神经网络的HEVC帧内预测方法能够有效地减少编码器计算开销，在保持编码性能基本不变的情况下，减少编码时间。
-
公开(公告)号：CN109996084A
公开(公告)日：2019-07-09
申请号：CN201910361446.X
申请日：2019-04-30
Applicant: 华侨大学
IPC: H04N19/59 , H04N19/119 , H04N19/14 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于多分支卷积神经网络的HEVC帧内预测方法，属于视频编码领域，本方法使用多分支卷积神经网络，对每个CTU进行预处理，并分别作为不同分支的卷积神经网络的输入，经过卷积计算之后，将得到的特征进行全连接，考虑不同QP值的影响，并最终输出三个分支的分类结果，三个分支分别对应每个CTU中深度等级0，1，2，判断三个深度等级的CU是否继续划分或者停止划分。本发明一种基于多分支卷积神经网络的HEVC帧内预测方法能够有效地减少编码器计算开销，在保持编码性能基本不变的情况下，减少编码时间。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.016 seconds)
