CN110248191A - 一种基于深层卷积神经网络的视频压缩方法 - Google Patents
一种基于深层卷积神经网络的视频压缩方法 Download PDFInfo
- Publication number
- CN110248191A CN110248191A CN201910633679.0A CN201910633679A CN110248191A CN 110248191 A CN110248191 A CN 110248191A CN 201910633679 A CN201910633679 A CN 201910633679A CN 110248191 A CN110248191 A CN 110248191A
- Authority
- CN
- China
- Prior art keywords
- convolutional neural
- neural networks
- video
- coding
- video data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
- H04N19/102—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or selection affected or controlled by the adaptive coding
- H04N19/124—Quantisation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
- H04N19/102—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or selection affected or controlled by the adaptive coding
- H04N19/132—Sampling, masking or truncation of coding units, e.g. adaptive resampling, frame skipping, frame interpolation or high-frequency transform coefficient masking
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/42—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals characterised by implementation details or hardware specially adapted for video compression or decompression, e.g. dedicated software implementation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/44—Decoders specially adapted therefor, e.g. video decoders which are asymmetric with respect to the encoder
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/50—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding
- H04N19/503—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding involving temporal prediction
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/90—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using coding techniques not provided for in groups H04N19/10-H04N19/85, e.g. fractals
- H04N19/91—Entropy coding, e.g. variable length coding [VLC] or arithmetic coding
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本发明公开一种基于深层卷积神经网络的视频压缩方法,涉及视频压缩技术领域,其实现过程依次包括:构建基于深层卷积神经网络的编码模块;构建基于深层卷积神经网络的解码模块,该解码模块与所述编码模块相对应;输入视频数据,基于视频编码标准H.264,使用编码模块完成视频帧间预测后每一帧的编码工作,编码后进行量化完成视频数据的压缩,反量化后使用解码模块进行解码完成视频数据的解压,随后构建视频压缩模型;采集大量视频数据输入视频压缩模型进行训练,通过对比编码前的视频数据和解码后的视频数据,优化视频压缩模型;使用优化后的视频压缩模型对待压缩视频数据进行压缩和解压工作。本方法实现了视频数据的快速压缩和高精度解压。
Description
技术领域
本发明涉及视频压缩技术领域,具体的说是一种基于深层卷积神经网络的视频压缩方法。
背景技术
H.264技术是一种新的视频压缩编码标准,该标准采用了多项提高图像质量和增加压缩比的技术措施,可用于SDTV、HDTV和DVD等。H.264编码更加节省码流,H.264不仅比MPEG-4节约了50%的码率,而且还具有较强的抗误码特性,可适应丢包率高、干扰严重的无线信道中的视频传输,从而获得平稳的图像质量。H264标准使运动图像压缩技术上升到了一个更高的阶段,在较低带宽上提供高质量的图像传输是H.264的应用亮点,这正好适应了目前国内运营商接入网带宽还非常有限的状况。
目前,随着抖音、头条、爱奇艺等app快速发展,视频在互联网中占据越来越重要的地位,相应的视频压缩技术越来越重要。传统视频压缩技术的发展已经进入停滞期,无法实现较大的突破,随着神经网络的快速发展,我们可以使用神经网络实现更高效率的视频压缩。
基于此,在传统视频压缩已经可以提供较为优秀的视频压缩效率的基础上,如何能将神经网络融入视频编码标准H.264来提高视频压缩效率显得尤为重要。
发明内容
本发明在传统视频压缩已经可以提供较为优秀的视频压缩效率的基础上,提供一种基于深层卷积神经网络的视频压缩方法,进一步提高视频压缩的效率和精度。
本发明的一种基于深层卷积神经网络的视频压缩方法,解决上述技术问题采用的技术方案如下:
一种基于深层卷积神经网络的视频压缩方法,该视频压缩方法的实现过程包括:
步骤一、构建基于深层卷积神经网络的编码模块;
步骤二、构建基于深层卷积神经网络的解码模块,该解码模块与编码模块相对应;
步骤三、输入视频数据,基于视频编码标准H.264,使用编码模块完成视频帧间预测后每一帧的编码工作,编码后进行量化完成视频数据的压缩,反量化后使用解码模块进行解码完成视频数据的解压,随后构建视频压缩模型;
步骤四、采集大量视频数据输入视频压缩模型进行训练,通过对比编码前的视频数据和解码后的视频数据,优化视频压缩模型;
步骤五、使用优化后的视频压缩模型对待压缩视频数据进行压缩和解压工作。
可选的,所涉及编码模块选用VGG16为基础,编码模块的深层卷积神经网络为多层卷积神经网络;
编码模块的多层卷积神经网络对输入的视频数据依次进行卷积、池化、下采样,将图像编码为高维特征图。
具体的,所涉及编码模块的多层卷积神经网络选用四层卷积神经网络;
第一层卷积神经网络使用两层3x3x64步幅为1的same卷积和2x2/2的池化;
第二层卷积神经网络使用两层3x3x128步幅为1的same卷积和2x2/2的池化;
第三层卷积神经网络使用三层3x3x256的same卷积和2x2/2的池化;
第四层卷积神经网络使用三层3x3x256的same卷积和2x2/2的池化。
进一步的,所涉及编码模块的四层卷积神经网络对视频数据进行编码,第四层卷积神经网络完成第二层2x2/2的迟化后:
选择第一层卷积神经网络卷积后的特征图,并将该特征图下采样成与第四层卷积神经网络卷积后得到特征图相同大小;
将两份相同大小的特征图叠加后进行第四层卷积神经网络中最后一层3x3x256的same卷积和2x2/2的池化,完成最终编码,并得到编码后的高维特征图。
可选的,所涉及解码模块选用VGG16为基础,解码模块的深层卷积神经网络为多层卷积神经网络;
解码模块的深层卷积神经网络对反量化后的高维特征图依次进行上采样、卷积、反卷积,将反量化后的高维特征图解码为与视频数据中视频帧图像近似的图片;
解码模块进行上采样的次数与编码模块进行下采样的次数相同。
具体的,所涉及解码模块的深层卷积神经网络为四层卷积神经网络;
第一层卷积神经网络使用三层3x3x256的same卷积和3x3/2的反卷积;
第二层卷积神经网络使用三层3x3x128的same卷积和3x3/2的反卷积;
第三层卷积神经网络使用两层3x3x64的same卷积和3x3/2的反卷积;
第四层卷积神经网络使用两层3x3x3的same卷积和3x3/2的反卷积;
解码模块基于四层卷积神经网络对编码后的高维特征图进行解码。
可选的,基于二值化的量化模块,对编码后的高维特征图进行量化工作;
基于二值化的反量化模块,对量化后的高维特征图进行反量化工作;
解码模块对反量化的高维特征图进行解码,得到视频帧图像。
进一步的,对量化后的高维特征图进行熵编码,完成无损编码进一步压缩视频帧形成码字;
对熵编码形成的码字进行码字估计,将解码后的视频帧图像与编码模块编码前的视频数据包含的视频帧图像进行对比,对比后形成重建误差,码子估计和重建误差按照一定权重形成优化参数,利用优化参数对步骤三构建的视频压缩模型进行优化,得到步骤四的优化视频压缩模型。
本发明的一种基于深层卷积神经网络的视频压缩方法,与现有技术相比具有的有益效果是:
本发明的视频压缩方法引入深层卷积神经网络,构建基于深层卷积神经网络的编码模块和解码模块,基于视频编码标准H.264,对编码后视频数据进行量化、反量化进而使用解码模块进行解码,从而完成视频压缩模型的构建,采集大量视频数据输入视频压缩模型进行训练,并进一步通过对比编码前的视频数据和解码后的视频数据,优化视频压缩模型,优化后的视频压缩模型可以直接对待压缩视频数据进行压缩和解压工作,由此实现了视频数据的快速压缩和高精度解压,在传统H.264标准压缩技术的基础上完成了对视频压缩技术的拓展。
附图说明
附图1是本发明的方法流程图;
附图2是本发明实施例一的结构原理图;
附图3是本发明实施例二的结构原理图。
具体实施方式
为使本发明的技术方案、解决的技术问题和技术效果更加清楚明白,以下结合具体实施例,对本发明的技术方案进行清楚、完整的描述,显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下获得的所有实施例,都在本发明的保护范围之内。
实施例一:
结合附图1、2,本实施例提出一种基于深层卷积神经网络的视频压缩方法,该视频压缩方法的实现过程包括:
S10、构建基于深层卷积神经网络的编码模块;
S20、构建基于深层卷积神经网络的解码模块,该解码模块与编码模块相对应;
S30、输入视频数据,基于视频编码标准H.264,使用编码模块完成视频帧间预测后每一帧的编码工作,编码后进行量化完成视频数据的压缩,反量化后使用解码模块进行解码完成视频数据的解压,随后构建视频压缩模型;
S40、采集大量视频数据输入视频压缩模型进行训练,通过对比编码前的视频数据和解码后的视频数据,优化视频压缩模型;
S50、使用优化后的视频压缩模型对待压缩视频数据进行压缩和解压工作。
在本实施例中,所涉及编码模块选用VGG16为基础,编码模块的深层卷积神经网络为多层卷积神经网络;
编码模块的多层卷积神经网络对输入的视频数据依次进行卷积、池化、下采样,将图像编码为高维特征图。
在本实施例中,所涉及编码模块的多层卷积神经网络选用四层卷积神经网络;
第一层卷积神经网络使用两层3x3x64步幅为1的same卷积和2x2/2的池化;
第二层卷积神经网络使用两层3x3x128步幅为1的same卷积和2x2/2的池化;
第三层卷积神经网络使用三层3x3x256的same卷积和2x2/2的池化;
第四层卷积神经网络使用三层3x3x256的same卷积和2x2/2的池化。
可选的,所涉及解码模块选用VGG16为基础,解码模块的深层卷积神经网络为多层卷积神经网络;
解码模块的深层卷积神经网络对反量化后的高维特征图依次进行上采样、卷积、反卷积,将反量化后的高维特征图解码为与视频数据中视频帧图像近似的图片;
解码模块进行上采样的次数与编码模块进行下采样的次数相同。
在本实施例中,所涉及解码模块的深层卷积神经网络为四层卷积神经网络;
第一层卷积神经网络使用三层3x3x256的same卷积和3x3/2的反卷积;
第二层卷积神经网络使用三层3x3x128的same卷积和3x3/2的反卷积;
第三层卷积神经网络使用两层3x3x64的same卷积和3x3/2的反卷积;
第四层卷积神经网络使用两层3x3x3的same卷积和3x3/2的反卷积;
解码模块基于四层卷积神经网络对编码后的高维特征图进行解码。
实施例二:
结合附图1,本实施例提出一种基于深层卷积神经网络的视频压缩方法,该视频压缩方法的实现过程包括:
S10、构建基于深层卷积神经网络的编码模块;
S20、构建基于深层卷积神经网络的解码模块,该解码模块与编码模块相对应;
S30、输入视频数据,基于视频编码标准H.264,使用编码模块完成视频帧间预测后每一帧的编码工作,编码后进行量化完成视频数据的压缩,反量化后使用解码模块进行解码完成视频数据的解压,随后构建视频压缩模型;
S40、采集大量视频数据输入视频压缩模型进行训练,通过对比编码前的视频数据和解码后的视频数据,优化视频压缩模型;
S50、使用优化后的视频压缩模型对待压缩视频数据进行压缩和解压工作。
结合附图3,在本实施例中,针对S30和S40,还可以对量化后的高维特征图进行熵编码,完成无损编码进一步压缩视频帧形成码字;
进一步,对熵编码形成的码字进行码字估计,将解码后的视频帧图像与编码模块编码前的视频数据包含的视频帧图像进行对比,对比后形成重建误差,码子估计和重建误差按照一定权重形成优化参数,利用优化参数对S30构建的视频压缩模型进行优化,得到S40的优化视频压缩模型。
在本实施例中,所涉及编码模块选用VGG16为基础,编码模块的深层卷积神经网络为多层卷积神经网络;
编码模块的多层卷积神经网络对输入的视频数据依次进行卷积、池化、下采样,将图像编码为高维特征图。
在本实施例中,所涉及编码模块的多层卷积神经网络选用四层卷积神经网络;
第一层卷积神经网络使用两层3x3x64步幅为1的same卷积和2x2/2的池化;
第二层卷积神经网络使用两层3x3x128步幅为1的same卷积和2x2/2的池化;
第三层卷积神经网络使用三层3x3x256的same卷积和2x2/2的池化;
第四层卷积神经网络使用三层3x3x256的same卷积和2x2/2的池化。
在本实施例中,进一步所涉及编码模块的四层卷积神经网络对视频数据进行编码,第四层卷积神经网络完成第二层2x2/2的迟化后:
选择第一层卷积神经网络卷积后的特征图,并将该特征图下采样成与第四层卷积神经网络卷积后得到特征图相同大小;
将两份相同大小的特征图叠加后进行第四层卷积神经网络中最后一层3x3x256的same卷积和2x2/2的池化,完成最终编码,并得到编码后的高维特征图。
在本实施例中,所涉及解码模块选用VGG16为基础,解码模块的深层卷积神经网络为多层卷积神经网络;
解码模块的深层卷积神经网络对反量化后的高维特征图依次进行上采样、卷积、反卷积,将反量化后的高维特征图解码为与视频数据中视频帧图像近似的图片;
解码模块进行上采样的次数与编码模块进行下采样的次数相同。
在本实施例中,所涉及解码模块的深层卷积神经网络为四层卷积神经网络;
第一层卷积神经网络使用三层3x3x256的same卷积和3x3/2的反卷积;
第二层卷积神经网络使用三层3x3x128的same卷积和3x3/2的反卷积;
第三层卷积神经网络使用两层3x3x64的same卷积和3x3/2的反卷积;
第四层卷积神经网络使用两层3x3x3的same卷积和3x3/2的反卷积;
解码模块基于四层卷积神经网络对编码后的高维特征图进行解码。
在本实施例中,基于二值化的量化模块,对编码后的高维特征图进行量化工作;
基于二值化的反量化模块,对量化后的高维特征图进行反量化工作;
解码模块对反量化的高维特征图进行解码,得到视频帧图像。
综上可知,采用本发明的一种基于深层卷积神经网络的视频压缩方法,实现了视频数据的快速压缩和高精度解压,在传统H.264标准压缩技术的基础上完成了对视频压缩技术的拓展。
以上应用具体个例对本发明的原理及实施方式进行了详细阐述,这些实施例只是用于帮助理解本发明的核心技术内容,并不用于限制本发明的保护范围,本发明的技术方案不限制于上述具体实施方式内。基于本发明的上述具体实施例,本技术领域的技术人员在不脱离本发明原理的前提下,对本发明所作出的任何改进和修饰,皆应落入本发明的专利保护范围。
Claims (8)
1.一种基于深层卷积神经网络的视频压缩方法,其特征在于,该视频压缩方法的实现过程包括:
步骤一、构建基于深层卷积神经网络的编码模块;
步骤二、构建基于深层卷积神经网络的解码模块,该解码模块与所述编码模块相对应;
步骤三、输入视频数据,基于视频编码标准H.264,使用编码模块完成视频帧间预测后每一帧的编码工作,编码后进行量化完成视频数据的压缩,反量化后使用解码模块进行解码完成视频数据的解压,随后构建视频压缩模型;
步骤四、采集大量视频数据输入视频压缩模型进行训练,通过对比编码前的视频数据和解码后的视频数据,优化视频压缩模型;
步骤五、使用优化后的视频压缩模型对待压缩视频数据进行压缩和解压工作。
2.根据权利要求1所述的一种基于深层卷积神经网络的视频压缩方法,其特征在于,所述编码模块选用VGG16为基础,所述编码模块的深层卷积神经网络为多层卷积神经网络;
所述编码模块的多层卷积神经网络对输入的视频数据依次进行卷积、池化、下采样,将图像编码为高维特征图。
3.根据权利要求2所述的一种基于深层卷积神经网络的视频压缩方法,其特征在于,所述编码模块的多层卷积神经网络选用四层卷积神经网络;
第一层卷积神经网络使用两层3x3x64步幅为1的same卷积和2x2/2的池化;
第二层卷积神经网络使用两层3x3x128步幅为1的same卷积和2x2/2的池化;
第三层卷积神经网络使用三层3x3x256的same卷积和2x2/2的池化;
第四层卷积神经网络使用三层3x3x256的same卷积和2x2/2的池化。
4.根据权利要求3所述的一种基于深层卷积神经网络的视频压缩方法,其特征在于,所述编码模块的四层卷积神经网络对视频数据进行编码,所述第四层卷积神经网络完成第二层2x2/2的迟化后:
选择所述第一层卷积神经网络卷积后的特征图,并将该特征图下采样成与所述第四层卷积神经网络卷积后得到特征图相同大小;
将两份相同大小的特征图叠加后进行第四层卷积神经网络中最后一层3x3x256的same卷积和2x2/2的池化,完成最终编码,并得到编码后的高维特征图。
5.根据权利要求2所述的一种基于深层卷积神经网络的视频压缩方法,其特征在于,所述解码模块选用VGG16为基础,所述解码模块的深层卷积神经网络为多层卷积神经网络;
所述解码模块的深层卷积神经网络对反量化后的高维特征图依次进行上采样、卷积、反卷积,将反量化后的高维特征图解码为与视频数据中视频帧图像近似的图片;
所述解码模块进行上采样的次数与所述编码模块进行下采样的次数相同。
6.根据权利要求5所述的一种基于深层卷积神经网络的视频压缩方法,其特征在于,所述解码模块的深层卷积神经网络为四层卷积神经网络;
第一层卷积神经网络使用三层3x3x256的same卷积和3x3/2的反卷积;
第二层卷积神经网络使用三层3x3x128的same卷积和3x3/2的反卷积;
第三层卷积神经网络使用两层3x3x64的same卷积和3x3/2的反卷积;
第四层卷积神经网络使用两层3x3x3的same卷积和3x3/2的反卷积;
所述解码模块基于四层卷积神经网络对编码后的高维特征图进行解码。
7.根据权利要求2-6中任一项所述的一种基于深层卷积神经网络的视频压缩方法,其特征在于,基于二值化的量化模块,对编码后的高维特征图进行量化工作;
基于二值化的反量化模块,对量化后的高维特征图进行反量化工作;
所述解码模块对反量化的高维特征图进行解码,得到视频帧图像。
8.根据权利要求7所述的一种基于深层卷积神经网络的视频压缩方法,其特征在于,对量化后的高维特征图进行熵编码,完成无损编码进一步压缩视频帧形成码字;
对熵编码形成的码字进行码字估计,将解码后的视频帧图像与编码模块编码前的视频数据包含的视频帧图像进行对比,对比后形成重建误差,码子估计和重建误差按照一定权重形成优化参数,利用优化参数对步骤三构建的视频压缩模型进行优化,得到步骤四所述的优化视频压缩模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910633679.0A CN110248191A (zh) | 2019-07-15 | 2019-07-15 | 一种基于深层卷积神经网络的视频压缩方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910633679.0A CN110248191A (zh) | 2019-07-15 | 2019-07-15 | 一种基于深层卷积神经网络的视频压缩方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110248191A true CN110248191A (zh) | 2019-09-17 |
Family
ID=67892197
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910633679.0A Pending CN110248191A (zh) | 2019-07-15 | 2019-07-15 | 一种基于深层卷积神经网络的视频压缩方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110248191A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110677681A (zh) * | 2019-11-01 | 2020-01-10 | 合肥图鸭信息科技有限公司 | 一种视频编解码方法、装置及终端设备 |
CN110738648A (zh) * | 2019-10-12 | 2020-01-31 | 山东浪潮人工智能研究院有限公司 | 一种基于多层卷积神经网络的相机外壳喷漆检测系统和方法 |
CN110996108A (zh) * | 2019-11-29 | 2020-04-10 | 合肥图鸭信息科技有限公司 | 一种视频帧重构方法、装置及终端设备 |
CN111031312A (zh) * | 2019-12-16 | 2020-04-17 | 山东浪潮人工智能研究院有限公司 | 基于网络实现注意力机制的图像压缩方法 |
CN111246206A (zh) * | 2020-01-14 | 2020-06-05 | 济南浪潮高新科技投资发展有限公司 | 一种基于自编码器的光流信息压缩方法及装置 |
CN111541900A (zh) * | 2020-04-28 | 2020-08-14 | 济南浪潮高新科技投资发展有限公司 | 基于gan的安防视频压缩方法、装置、设备及存储介质 |
CN111787321A (zh) * | 2020-07-06 | 2020-10-16 | 济南浪潮高新科技投资发展有限公司 | 用于边缘端的基于深度学习的图片压缩、解压缩方法及系统 |
WO2022183345A1 (zh) * | 2021-03-01 | 2022-09-09 | 浙江大学 | 编码方法、解码方法、编码器、解码器以及存储介质 |
CN115619882A (zh) * | 2022-09-29 | 2023-01-17 | 清华大学 | 一种视频的压缩方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106897673A (zh) * | 2017-01-20 | 2017-06-27 | 南京邮电大学 | 一种基于retinex算法和卷积神经网络的行人再识别方法 |
CN107018422A (zh) * | 2017-04-27 | 2017-08-04 | 四川大学 | 基于深度卷积神经网络的静止图像压缩方法 |
CN107690070A (zh) * | 2017-08-23 | 2018-02-13 | 南通河海大学海洋与近海工程研究院 | 基于无反馈码率控制的分布式视频压缩感知系统及方法 |
CN108062780A (zh) * | 2017-12-29 | 2018-05-22 | 百度在线网络技术(北京)有限公司 | 图像压缩方法和装置 |
CN108271026A (zh) * | 2016-12-30 | 2018-07-10 | 上海寒武纪信息科技有限公司 | 压缩/解压缩的装置和系统、芯片、电子装置 |
CN109451308A (zh) * | 2018-11-29 | 2019-03-08 | 北京市商汤科技开发有限公司 | 视频压缩处理方法及装置、电子设备及存储介质 |
WO2019118536A1 (en) * | 2017-12-14 | 2019-06-20 | Interdigital Vc Holdings, Inc. | Texture-based partitioning decisions for video compression |
-
2019
- 2019-07-15 CN CN201910633679.0A patent/CN110248191A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108271026A (zh) * | 2016-12-30 | 2018-07-10 | 上海寒武纪信息科技有限公司 | 压缩/解压缩的装置和系统、芯片、电子装置 |
CN106897673A (zh) * | 2017-01-20 | 2017-06-27 | 南京邮电大学 | 一种基于retinex算法和卷积神经网络的行人再识别方法 |
CN107018422A (zh) * | 2017-04-27 | 2017-08-04 | 四川大学 | 基于深度卷积神经网络的静止图像压缩方法 |
CN107690070A (zh) * | 2017-08-23 | 2018-02-13 | 南通河海大学海洋与近海工程研究院 | 基于无反馈码率控制的分布式视频压缩感知系统及方法 |
WO2019118536A1 (en) * | 2017-12-14 | 2019-06-20 | Interdigital Vc Holdings, Inc. | Texture-based partitioning decisions for video compression |
CN108062780A (zh) * | 2017-12-29 | 2018-05-22 | 百度在线网络技术(北京)有限公司 | 图像压缩方法和装置 |
CN109451308A (zh) * | 2018-11-29 | 2019-03-08 | 北京市商汤科技开发有限公司 | 视频压缩处理方法及装置、电子设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
HAOJIE LIU ET AL.: "Deep Image Compression via End-to-End Learning", 《ARXIV:1806.01496》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110738648A (zh) * | 2019-10-12 | 2020-01-31 | 山东浪潮人工智能研究院有限公司 | 一种基于多层卷积神经网络的相机外壳喷漆检测系统和方法 |
CN110677681A (zh) * | 2019-11-01 | 2020-01-10 | 合肥图鸭信息科技有限公司 | 一种视频编解码方法、装置及终端设备 |
CN110996108A (zh) * | 2019-11-29 | 2020-04-10 | 合肥图鸭信息科技有限公司 | 一种视频帧重构方法、装置及终端设备 |
CN111031312A (zh) * | 2019-12-16 | 2020-04-17 | 山东浪潮人工智能研究院有限公司 | 基于网络实现注意力机制的图像压缩方法 |
CN111246206A (zh) * | 2020-01-14 | 2020-06-05 | 济南浪潮高新科技投资发展有限公司 | 一种基于自编码器的光流信息压缩方法及装置 |
CN111541900A (zh) * | 2020-04-28 | 2020-08-14 | 济南浪潮高新科技投资发展有限公司 | 基于gan的安防视频压缩方法、装置、设备及存储介质 |
CN111541900B (zh) * | 2020-04-28 | 2022-05-17 | 山东浪潮科学研究院有限公司 | 基于gan的安防视频压缩方法、装置、设备及存储介质 |
CN111787321A (zh) * | 2020-07-06 | 2020-10-16 | 济南浪潮高新科技投资发展有限公司 | 用于边缘端的基于深度学习的图片压缩、解压缩方法及系统 |
WO2022183345A1 (zh) * | 2021-03-01 | 2022-09-09 | 浙江大学 | 编码方法、解码方法、编码器、解码器以及存储介质 |
CN115619882A (zh) * | 2022-09-29 | 2023-01-17 | 清华大学 | 一种视频的压缩方法 |
CN115619882B (zh) * | 2022-09-29 | 2024-02-13 | 清华大学 | 一种视频的压缩方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110248191A (zh) | 一种基于深层卷积神经网络的视频压缩方法 | |
CN108293138B (zh) | 有效和可缩放帧内视频/图像编码 | |
CN1640142B (zh) | 对小波变换系数进行编码的方法和设备 | |
CN100403801C (zh) | 一种基于上下文的自适应熵编/解码方法 | |
CN102055972B (zh) | 视频图像编码处理、解码处理方法和装置及编解码系统 | |
CN1251512C (zh) | 从不可分级编码视频信号产生可分级编码视频信号的方法和装置 | |
CN102342105B (zh) | 用于对多层视频进行编码和解码的设备及方法 | |
CN109996071A (zh) | 基于深度学习的可变码率图像编码、解码系统及方法 | |
CN1968418A (zh) | 混合图像数据处理系统和方法 | |
Guo et al. | A new reference frame recompression algorithm and its VLSI architecture for UHDTV video codec | |
CN103238327B (zh) | 针对噪声分量在空间域对图像编码/解码的方法和装置 | |
CN1575606A (zh) | 空间可缩放的压缩 | |
CN1319382C (zh) | 可伸缩视频编解码器体系结构设计方法 | |
CN109922339A (zh) | 结合多采样率下采样和超分辨率重建技术的图像编码框架 | |
CN106961610A (zh) | 结合超分辨率重建的超高清视频新型压缩框架 | |
CN111669588B (zh) | 一种超低时延的超高清视频压缩编解码方法 | |
CN1906946A (zh) | 用于重放可缩放视频流的设备和方法 | |
CN115150628B (zh) | 具有超先验引导模式预测的由粗到细深度视频编码方法 | |
CN103634608A (zh) | 一种高性能视频编码无损模式的残差变换方法 | |
CN103533351B (zh) | 一种多量化表的图像压缩方法 | |
CN1741612A (zh) | 一种用于视频图像编码过程中的量化方法 | |
Huang et al. | Multi-channel multi-loss deep learning based compression model for color images | |
CN105049871B (zh) | 一种基于hevc的音频信息嵌入方法及提取和重构方法 | |
CN111510721B (zh) | 基于空间下采样的多描述编码高质量边重建方法 | |
CN1322472C (zh) | 基于小波变换的预测四叉树图像压缩及解压方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190917 |