CN110430398B - 一种基于强化学习的视频编码分布式方法 - Google Patents
一种基于强化学习的视频编码分布式方法 Download PDFInfo
- Publication number
- CN110430398B CN110430398B CN201910719116.3A CN201910719116A CN110430398B CN 110430398 B CN110430398 B CN 110430398B CN 201910719116 A CN201910719116 A CN 201910719116A CN 110430398 B CN110430398 B CN 110430398B
- Authority
- CN
- China
- Prior art keywords
- video
- coding
- resources
- machine learning
- video coding
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000002787 reinforcement Effects 0.000 title claims abstract description 13
- 238000010801 machine learning Methods 0.000 claims abstract description 36
- 239000012634 fragment Substances 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000000605 extraction Methods 0.000 claims abstract description 13
- 238000013468 resource allocation Methods 0.000 claims abstract description 6
- 238000012544 monitoring process Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000013467 fragmentation Methods 0.000 claims description 4
- 238000006062 fragmentation reaction Methods 0.000 claims description 4
- 238000012856 packing Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000007726 management method Methods 0.000 claims description 3
- 238000011282 treatment Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 abstract description 3
- 238000013473 artificial intelligence Methods 0.000 description 5
- 230000006835 compression Effects 0.000 description 3
- 238000007906 compression Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 229940068196 placebo Drugs 0.000 description 1
- 239000000902 placebo Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
- H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
- H04N21/234—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs
- H04N21/2343—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs involving reformatting operations of video signals for distribution or compliance with end-user requests or end-user device requirements
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/80—Generation or processing of content or additional data by content creator independently of the distribution process; Content per se
- H04N21/83—Generation or processing of protective or descriptive data associated with content; Content structuring
- H04N21/845—Structuring of content, e.g. decomposing content into time segments
- H04N21/8456—Structuring of content, e.g. decomposing content into time segments by decomposing the content in the time domain, e.g. in time segments
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本发明公开了一种基于强化学习的视频编码分布式方法。所述方法包括以下步骤:对于批量视频输入,首先利用机器学习对输入视频进行分类、提取特征;根据提取的特征,利用机器学习,决策视频多任务处理的分片;在上述特征提取和分片基础上,决策每一个分片的编码速度;最后,在云资源分配的基础上,对于视频做分片编码/转码处理。通过采用可用资源与视频内容最为匹配的优化方案,将对源视频编码主任务切分为可并行的子任务,分配到相应的可用资源,从而最大可能的利用可用资源,以最优编码速度/编码质量完成对源视频的编码/转码。
Description
技术领域
本发明涉及视频编解码技术领域,尤其涉及一种基于强化学习的视频编码分布式方法。
背景技术
随着计算资源被整合到虚拟机、私有云或公共云的集群中,视频编码/转码正在步入云端,以整合网络中的资源,达到资源的高效利用,而基于云计算的视频编码面临着更大的挑战,其中,分布式的编码方式是其中的关键问题。
视频信号的压缩已成为目前国内外学术研究和工业应用的热点之一。视频压缩,也称视频编码,其目的是消除视频信号间存在的冗余信息。至今,国内外标准化组织已相继制定了多种不同的视频编码标准。而基于人工智能的视频编码,也称AI感知编码技术,是将人工智能技术应用在视频编码中,以实现视频编码的高效及智能化。
转码,指先解码后编码,对于输入的视频是压缩过的视频,则进行转码,先对该视频解码再进行视频编码。我们面对的是视频在云端的转码处理。这里的转码是基于人工智能的转码,即机器学习在转码中扮演比较重要的角色,包括基于机器学习的转码速度优化,基于机器学习的视频画质修复/提升的前处理,等等。带有机器学习的转码实现,往往算法更专注于转码性能,而云端部署的工程实现相对薄弱。建设一个强大的分布式平台,整合各个资源池,提供统一的基于机器学习的视频转码架构,可以大大加快转码速度,提升转码效率,带来整体性能大幅提升的可能性,同时还有助于提升云端/服务端资源利用率。
发明内容
本发明提供了一种基于强化学习的视频编码分布式方法,本专利贡献核心,是将基于人工智能的视频编码/转码的输入对象,例如原始视频序列智能拆分为最适合底层资源的打包任务,从而在整体上将分散的机器纳入到统一的资源池,更加有效的利用底层的资源管理和调度功能,由此,无论是基于纯CPU,还是基于CPU+GPU的混合编码/转码,使其编码/转码速度能够依赖底层资源近乎线性的提升,一方面将单机的编码/转码时间大幅缩短,另一方面大幅提升底层资源的利用率。
为实现上述目的,本发明采用的技术方案为:
一种基于强化学习的视频编码分布式方法,其特征在于,包括以下步骤:
(1)对于批量视频输入,利用机器学习对输入视频进行分类和特征提取;其中,所述视频的分类和特征提取为针对视频编码性能和复杂度进行的基于机器学习的分类和特征提取,根据对视频的快捷特征提取,对输入视频做场景分析并分类;并决策编码工具的取舍;
(2)根据提取的特征,利用机器学习,决策视频多任务处理的分片;将视频编码利用分片操作智能的拆分为多个任务,对于不同场景的视频,做不同的分片打包处理:对于场景切换相对频繁的视频,先检测场景切换时刻,将视频在场景切换时刻做分片分割;对于视频画面相对稳定的视频,根据系统CPU/GPU资源,做相应的均匀切割;
(3)在上述特征提取和分片基础上,决策每一个分片的编码速度;利用机器学习,输入底层服务器资源大小,以及视频分片后的编码参数和视频特征,利用机器学习决策出每一个分片对应的视频编码器速度档次。
(4)在云端系统资源分配的基础上,对于视频做分片编码/转码处理;
其中,整个过程中云端系统进行资源监控以及资源分配,面对底层硬件系统分布,包括云端服务器资源的运行状态,利用深度学习,优化资源的最大利用;底层资源包括CPU的核数,GPU资源是否可得;利用云端底层的分布式计算框架以及相应的任务监控方案,定期采集CPU、GPU、内存、网络的监控数据,以此为依据,来指导视频的智能分片以及设置视频编码/转码的相应参数;
机器学习贯穿整个处理过程,在机器学习起始启动之后,利用视频的智能分析,将输入的视频任务智能打包,分解为基于视频分片包的多任务。
优选地,步骤(1)中,所述分类包括:游戏、影视剧、秀场、体育、动漫、综艺节目、交通安防、新闻联播、在线教育。
优选地,在步骤(2)中,分片需要综合考虑多个因素,尤其是与视频编码紧密相关的因素,包括视频的场景变化,视频编码结构的GOP structure,在底层服务器资源大小的指导下,决策视频的分片数目,以及每一片视频的长度。
优选地,输入视频如果按照VP9/AV1编码器编码,首先对视频中的ALTREF这一帧的位置选取做出决策,这里利用动态规划方法,根据码率/帧率决定这一帧的位置,之后决策出分片的位置。
优选地,在步骤(3)中,根据所得资源,对于打包的每个视频分片,决定该分片的视频编码参数;利用可得资源以及视频本身的分类场景,利用机器学习,自适应决策每个视频分片所采用的速度档次。
优选地,视频分片后的动态管理,视频处理的初期,每一片的长度可以定为30秒;在后期任务处理时,把视频的分片长度减小为10秒,这样在处理视频后期时,避免一片处理的时长过长,只有底层的一部分资源被利用而其他资源空置的情形,以达到最有效的利用底层资源。
本发明的方案,对于批量视频输入,首先利用机器学习对输入视频进行分类、提取特征;根据提取的特征,利用机器学习,决策视频多任务处理的分片;在上述特征提取和分片基础上,决策每一个分片的编码速度;最后,在云资源分配的基础上,对于视频做分片编码/转码处理。通过采用可用资源与视频内容最为匹配的优化方案,决策视频的并行编码方案,将对源视频编码主任务切分为可并行的子任务,分配到相应的可用资源;与此同时,子任务结束后,控制模块可以整合,输出最终的码流。从而最大可能的利用可用资源,以最优编码速度/编码质量(Speed/Quality)完成对源视频的编码或转码。
附图说明
图1为本发明基于强化学习的视频编码分布式方法的流程图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书一个或多个实施例中的附图,对本说明书实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本说明书保护的范围。
下面结合附图对本发明作更进一步的说明。
如图1所示,本发明的方法具体包括以下步骤:
(1)对于批量视频输入,首先利用机器学习对输入视频进行分类、提取特征。
这里,视频的分类和特征提取不是一般意义上的针对视频内容的分类和特征提取,而是针对视频编码性能和复杂度进行的基于机器学习的分类和特征提取。根据对视频的快捷特征提取,输入视频做场景分析并分类,分类可包括游戏、影视剧、秀场、体育、动漫、综艺节目、交通安防、新闻联播、在线教育等。
例如,对于输入视频,机器学习可以判定视频的前景区域是否存在10%以上的人体皮肤区域,这些特征,可以用于根据目前的分辨率和目标码率,来决策编码工具的取舍:比如码率偏低的情况下,机器学习可以根据上述提取的特征,进一步决策编码器的工具,比如mbtree,aqmode,aqstrength,bframes,等是否打开,如果打开,选择参数的具体数值取值。
(2)根据提取的特征,利用机器学习,决策视频多任务处理的分片。
将视频编码利用分片操作智能的拆分为多个任务,同时分片需要综合考虑多个因素,尤其是与视频编码紧密相关的因素,比如视频的场景变化,视频编码结构的GOPstructure,等,在底层服务器资源大小的指导下,决策视频的分片数目,以及每一片视频的长度。比如输入视频如果按照VP9/AV1编码器编码,首先需要对视频中的ALTREF这一帧的位置选取做出决策,这里可以利用动态规划方法,根据码率/帧率决定这一帧的位置,之后决策出分片的位置。
对于不同场景的视频,做不同的分片打包处理:场景切换相对频繁,比如体育类节目,可检测场景切换时刻,将视频在场景切换时刻做分片分割;若视频相对画面稳定,比如安防交通类视频,可根据系统CPU/GPU资源,做相应的均匀切割。
(3)在上述特征提取和分片基础上,决策每一个分片的编码速度。
比如HEVC编码器分为由placebo到ultrafast十几个速度档次,另外VP9/AV1编码器分为cpu0到cpu8共9个速度档次,每一个档次的编码性能各不相同。利用机器学习,输入底层服务器资源大小,以及视频分片后的编码参数和视频特征,利用AI决策出每一个分片对应的视频编码器速度档次。
根据所得资源,对于打包的每个视频分片,决定该分片的视频编码参数;视频编码速度可分为多个速度档,包括superslow,veryslow,slow,fast,veryfast,superfast等;利用可得资源以及视频本身的分类场景,利用机器学习,自适应决策每个视频分片所采用的速度档次,从而在资源允许的条件下,达到编码的整体最优结果。
(4)最后,在云资源分配的基础上,对于视频做分片编码/转码处理。
视频分片后的动态管理,以达到最有效的利用底层资源。比如大量视频处理的初期,每一片的长度可以定为30秒;在后期任务处理时,可以把视频的分片长度减小为10秒,这样在处理视频后期时,避免一片处理的时长过长,只有底层的一部分资源被利用而其他资源空置的情形。
其中,整个过程中云端系统进行资源监控以及资源分配,以期达到对资源的高效利用。面对底层硬件系统分布,包括云端服务器资源的运行状态,利用深度学习,优化资源的最大利用;底层资源包括CPU的核数,GPU资源是否可得等。
利用云端底层的分布式计算框架以及相应的任务监控方案,定期采集CPU、GPU、内存、网络等监控数据,即每个Worker的资源使用率都能得到详细的展示,以此为依据,来指导视频的智能分片以及设置视频编码/解码的相应参数;这样通过监控信息为不同的编码/转码任务分配合适的资源配置,使得编码速度和整体的吞吐率上达到近似最优。
同时,机器学习贯穿整个处理过程,比如基于Tensorflow的处理,起始调度均需要时间,面对单一比较小的视频分片,机器学习的起始调度所花费时间甚至跟视频分片的编码/转码时间相当;但如果存在大规模的多个视频分片,若整合处理,机器学习的起始调度所花费时间不变,这样分配到每个分片上的时间大大减少。
在机器学习起始启动之后,利用视频的智能分析,将输入的视频任务智能打包,分解为基于视频分片包的多任务,从而使得基于人工智能的视频编码/转码的任务,转化为最为适合云端处理的任务模式。
利用本专利提出的方案,批量视频编码/转码处理的时长大大减少。在我们已经实现的亚马逊云端AWS服务器上,采用我们的最新编码/转码方案,视频处理效率随着服务器数目的增长而增长,每台服务器的利用效率提升100~200%以上,与此同时AI+编码技术,使得视频压缩在处理速度提升的同时,编码效率提升30~50%以上。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (6)
1.一种基于强化学习的视频编码分布式方法,其特征在于,包括以下步骤:
(1)对于批量视频输入,利用机器学习对输入视频进行分类和特征提取;其中,所述视频的分类和特征提取为针对视频编码性能和复杂度进行的基于机器学习的分类和特征提取,根据对视频的快捷特征提取,对输入视频做场景分析并分类;并决策编码工具的取舍;
(2)根据提取的特征,利用机器学习,决策视频多任务处理的分片;将视频编码利用分片操作智能的拆分为多个任务,对于不同场景的视频,做不同的分片打包处理:对于场景切换相对频繁的视频,先检测场景切换时刻,将视频在场景切换时刻做分片分割;对于视频画面相对稳定的视频,根据系统CPU/GPU资源,做相应的均匀切割;
(3)在上述特征提取和分片基础上,决策每一个分片的编码速度;利用机器学习,输入底层服务器资源大小,以及视频分片后的编码参数和视频特征,利用机器学习决策出每一个分片对应的视频编码器速度档次;
(4)在云端系统资源分配的基础上,对于视频做分片编码/转码处理;所述转码指先解码后编码,对于输入的视频是压缩过的视频,则进行转码,先对该视频解码再进行视频编码;
其中,整个过程中云端系统进行资源监控以及资源分配;所述资源包括CPU的核数,GPU资源是否可得;利用云端底层的分布式计算框架以及相应的任务监控方案,定期采集CPU、GPU、内存、网络的监控数据,并根据所述监控数据指导视频的智能分片以及设置视频编码/转码的相应参数;
机器学习贯穿整个处理过程,在机器学习起始启动之后,利用视频的智能分析,将输入的视频任务智能打包,分解为基于视频分片包的多任务。
2.根据权利要求1所述的基于强化学习的视频编码分布式方法,其特征在于,步骤(1)中,所述分类包括:游戏、影视剧、秀场、体育、动漫、综艺节目、交通安防、新闻联播、在线教育。
3.根据权利要求1所述的基于强化学习的视频编码分布式方法,其特征在于,在步骤(2)中,分片需要综合考虑与视频编码紧密相关的因素,包括视频的场景变化,视频编码结构的GOP structure,在底层服务器资源大小的指导下,决策视频的分片数目,以及每一片视频的长度。
4.根据权利要求3所述的基于强化学习的视频编码分布式方法,其特征在于,输入视频如果按照VP9/AV1编码器编码,首先对视频中的ALTREF这一帧的位置选取做出决策,这里利用动态规划方法,根据码率/帧率决定这一帧的位置,之后决策出分片的位置。
5.根据权利要求1所述的基于强化学习的视频编码分布式方法,其特征在于,在步骤(3)中,根据所得资源,对于打包的每个视频分片,决定该分片的视频编码参数;利用可得资源以及视频本身的分类场景,利用机器学习,自适应决策每个视频分片所采用的速度档次。
6.根据权利要求1所述的基于强化学习的视频编码分布式方法,其特征在于,视频分片后的动态管理,视频处理的初期,每一片的长度可以定为30秒;在后期任务处理时,把视频的分片长度减小为10秒,这样在处理视频后期时,避免一片处理的时长过长,只有底层的一部分资源被利用而其他资源空置的情形,以达到最有效的利用底层资源。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910719116.3A CN110430398B (zh) | 2019-08-06 | 2019-08-06 | 一种基于强化学习的视频编码分布式方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910719116.3A CN110430398B (zh) | 2019-08-06 | 2019-08-06 | 一种基于强化学习的视频编码分布式方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110430398A CN110430398A (zh) | 2019-11-08 |
CN110430398B true CN110430398B (zh) | 2021-01-19 |
Family
ID=68414246
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910719116.3A Active CN110430398B (zh) | 2019-08-06 | 2019-08-06 | 一种基于强化学习的视频编码分布式方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110430398B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108737838A (zh) * | 2017-04-19 | 2018-11-02 | 北京金山云网络技术有限公司 | 一种视频编码方法及装置 |
CN111031387B (zh) * | 2019-11-21 | 2020-12-04 | 南京大学 | 一种监控视频发送端视频编码流速控制的方法 |
CN113347415A (zh) * | 2020-03-02 | 2021-09-03 | 阿里巴巴集团控股有限公司 | 编码模式确定方法和装置 |
CN112738511B (zh) * | 2021-04-01 | 2021-06-25 | 杭州微帧信息科技有限公司 | 一种结合视频分析的快速模式决策方法及装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102780918A (zh) * | 2012-08-15 | 2012-11-14 | 华数传媒网络有限公司 | 一种视频分布式转换编码格式方法 |
CN105657449A (zh) * | 2014-12-03 | 2016-06-08 | 中国移动通信集团公司 | 一种视频转码分配方法、装置及视频转码系统 |
CN105763886A (zh) * | 2016-03-01 | 2016-07-13 | 深圳市茁壮网络股份有限公司 | 一种分布式转码方法和装置 |
CN105828105A (zh) * | 2015-12-10 | 2016-08-03 | 广东亿迅科技有限公司 | 一种基于分布式环境的视频转码系统及视频转码方法 |
CN107409218A (zh) * | 2015-03-06 | 2017-11-28 | 高通股份有限公司 | 使用块分割的快速视频编码方法 |
CN107623848A (zh) * | 2017-09-04 | 2018-01-23 | 浙江大华技术股份有限公司 | 一种视频编码方法及装置 |
CN107749066A (zh) * | 2017-11-10 | 2018-03-02 | 深圳市唯特视科技有限公司 | 一种基于区域的多尺度时空视觉显著性检测方法 |
CN109348309A (zh) * | 2018-05-04 | 2019-02-15 | 上海交通大学 | 一种适用于帧率上变换的分布式视频转码方法 |
CN109982095A (zh) * | 2019-03-20 | 2019-07-05 | 南宁师范大学 | 基于cnn与gep的分形图像压缩编码方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7839948B2 (en) * | 2005-12-02 | 2010-11-23 | Qualcomm Incorporated | Time slicing techniques for variable data rate encoding |
KR101797845B1 (ko) * | 2016-02-16 | 2017-11-14 | 가천대학교 산학협력단 | 멀티코어 컴퓨팅 시스템에서 병렬 비디오 처리 장치 및 방법 |
HK1221373A2 (zh) * | 2016-03-29 | 2017-05-26 | 萬維數碼有限公司 | 種提升視頻分辨率和視頻質量的方法、編碼器及解碼器 |
CN109302605B (zh) * | 2018-10-26 | 2020-12-22 | 浙江清华柔性电子技术研究院 | 基于多核处理器的图像编码方法及设备 |
-
2019
- 2019-08-06 CN CN201910719116.3A patent/CN110430398B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102780918A (zh) * | 2012-08-15 | 2012-11-14 | 华数传媒网络有限公司 | 一种视频分布式转换编码格式方法 |
CN105657449A (zh) * | 2014-12-03 | 2016-06-08 | 中国移动通信集团公司 | 一种视频转码分配方法、装置及视频转码系统 |
CN107409218A (zh) * | 2015-03-06 | 2017-11-28 | 高通股份有限公司 | 使用块分割的快速视频编码方法 |
CN105828105A (zh) * | 2015-12-10 | 2016-08-03 | 广东亿迅科技有限公司 | 一种基于分布式环境的视频转码系统及视频转码方法 |
CN105763886A (zh) * | 2016-03-01 | 2016-07-13 | 深圳市茁壮网络股份有限公司 | 一种分布式转码方法和装置 |
CN107623848A (zh) * | 2017-09-04 | 2018-01-23 | 浙江大华技术股份有限公司 | 一种视频编码方法及装置 |
CN107749066A (zh) * | 2017-11-10 | 2018-03-02 | 深圳市唯特视科技有限公司 | 一种基于区域的多尺度时空视觉显著性检测方法 |
CN109348309A (zh) * | 2018-05-04 | 2019-02-15 | 上海交通大学 | 一种适用于帧率上变换的分布式视频转码方法 |
CN109982095A (zh) * | 2019-03-20 | 2019-07-05 | 南宁师范大学 | 基于cnn与gep的分形图像压缩编码方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110430398A (zh) | 2019-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110430398B (zh) | 一种基于强化学习的视频编码分布式方法 | |
WO2021008290A1 (zh) | 视频流解码方法、装置、终端设备及存储介质 | |
US10924783B2 (en) | Video coding method, system and server | |
US10110911B2 (en) | Parallel media encoding | |
CN104796767B (zh) | 一种云视频编辑方法和系统 | |
US20170324970A1 (en) | Image encoding apparatus, method of image encoding, and recording medium, image decoding apparatus, method of image decoding, and recording medium | |
US9560393B2 (en) | Media processing node | |
US10216541B2 (en) | Scheduler of processes having timed predictions of computing loads | |
EP3643069B1 (en) | Effective encoding for screen data | |
EP3806462A1 (en) | Image encoding and decoding method , related device and storage medium | |
US20110250948A1 (en) | Video compression in gaming machines | |
US8340194B2 (en) | High-yield multi-threading method and apparatus for video encoders/transcoders/decoders with dynamic video reordering and multi-level video coding dependency management | |
CN116980569A (zh) | 一种基于云计算的安全监控系统及方法 | |
Chen et al. | Efficient software H. 264/AVC to HEVC transcoding on distributed multicore processors | |
CN111757118A (zh) | 视频转码处理方法、装置、设备和介质 | |
Song et al. | Design and evaluation of remote video surveillance system on private cloud | |
CN110213615A (zh) | 视频转码方法、装置、服务器以及存储介质 | |
CN113691812B (zh) | 基于鸿蒙系统的分布式视频处理方法、终端和可读介质 | |
CN105323593A (zh) | 一种多媒体转码调度方法和装置 | |
He et al. | Real-time interactive MPEG-4 system encoder using a cluster of workstations | |
Schmidt et al. | An approach for processing large and non-uniform media objects on mapreduce-based clusters | |
CN105338371A (zh) | 一种多媒体转码调度方法和装置 | |
CN205430500U (zh) | 一种多媒体转码调度装置 | |
US8781236B2 (en) | Processing graphical data representing a sequence of images for compression | |
Kim et al. | Real-Time Video-based Point Cloud Encoding System on a Distributed Platform |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |