CN112770120A - 基于深度神经网络的3d视频深度图帧内快速编码方法 - Google Patents

基于深度神经网络的3d视频深度图帧内快速编码方法 Download PDF

Info

Publication number
CN112770120A
CN112770120A CN202011603013.XA CN202011603013A CN112770120A CN 112770120 A CN112770120 A CN 112770120A CN 202011603013 A CN202011603013 A CN 202011603013A CN 112770120 A CN112770120 A CN 112770120A
Authority
CN
China
Prior art keywords
depth
coding
ctu
feature
dis
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.)
Granted
Application number
CN202011603013.XA
Other languages
English (en)
Other versions
CN112770120B (zh
Inventor
伏长虹
徐梦婷
洪弘
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Science and Technology
Original Assignee
Nanjing University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Science and Technology filed Critical Nanjing University of Science and Technology
Priority to CN202011603013.XA priority Critical patent/CN112770120B/zh
Publication of CN112770120A publication Critical patent/CN112770120A/zh
Application granted granted Critical
Publication of CN112770120B publication Critical patent/CN112770120B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • H04N19/597—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding specially adapted for multi-view video sequence encoding
    • 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
    • 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
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N13/00—Stereoscopic video systems; Multi-view video systems; Details thereof
    • H04N13/10—Processing, recording or transmission of stereoscopic or multi-view image signals
    • H04N13/106—Processing image signals
    • H04N13/161—Encoding, multiplexing or demultiplexing different image signal components
    • 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
    • H04N19/134—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or criterion affecting or controlling the adaptive coding
    • H04N19/146—Data rate or code amount at the encoder output
    • H04N19/147—Data rate or code amount at the encoder output according to rate distortion criteria
    • 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
    • H04N19/593—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding involving spatial prediction techniques
    • 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
    • H04N19/96—Tree coding, e.g. quad-tree coding

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Multimedia (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Compression Or Coding Systems Of Tv Signals (AREA)

Abstract

本发明公开了一种基于深度神经网络的3D视频深度图帧内快速编码方法，方法包括：输入大小为64×64的编码树单元(CTU)和其深度帧内跳过模式(DIS)率失真值、量化参数QP，预处理后作为卷积神经网络的输入，经过卷积操作后，对最终特征反卷积，并与中间特征叠加起来，最终输出CTU中深度为0、1和2的21个预测结果，对一个CTU中三个深度层级的CU继续四叉树划分或者停止四叉树划分做出预测。本发明有效地降低了深度图编码单元四叉树划分的复杂度，减少了所需的编码时间；并在提高编码速度的同时，保证了最终解码端合成视角的视频质量。

Description

基于深度神经网络的3D视频深度图帧内快速编码方法
技术领域
本发明属于视频编解码技术领域，具体涉及一种基于深度神经网络的3D视频深度图帧内快速编码方法。
背景技术
3D视频能够在立体世界中给我们带来奇妙的用户体验。针对3D视频，高效视频编码(High Efficiency Video Coding,HEVC)的3D扩展(3D-HEVC)是最新的编码标准。3D-HEVC基于HEVC的四叉树编码架构，包括编码树单元(CTU)和编码单元(CU)、预测单元(PU)和变换单元(TU)。HEVC基本上是为纹理编码设计的，但是，3D-HEVC系统中的深度图具有一些特征，例如大量的平滑区域和尖锐的边缘，和与之对应的颜色纹理图完全不同。因此，当编码由平滑区域或边缘组成的深度图时，传统的HEVC编码器通常不能保持良好的编码效率。为此，深度图编码中新增了几种新的编码工具，例如深度建模模式(DMM)和深度帧内跳过模式(DIS)，更加加剧了算法复杂度。
如图1，编码块四叉树划分采用递归设计，面对平滑编码块，复杂的四叉树划分结构造成很多无效的冗余编码。因此，为降低深度图算法复杂度，快速判断编码结构划分是一种有效途径。文献“Mora E G,Jung J,Cagnazzo M,et al.Initialization,Limitation,and Predictive Coding of the Depth and Texture Quadtree in 3D-HEVC[J].IEEETransactions on Circuits and Systems for Video Technology,2014,24(9):1554-1565.”利用纹理视图和深度视图运动信息的相似性，以纹理视图的编码结构来限制深度视图的编码结构划分。文献“Zhang H B,Chan Y L,Fu C H,et al.Quadtree decision fordepth intra coding in 3D-HEVC by good feature[C]//2016 IEEE InternationalConference on Acoustics,Speech and Signal Processing(ICASSP).IEEE,2016.”设计了一个用像素域角点信息来衡量当前编码区域复杂度的方法，该方法依据当前编码块的复杂度来限制划分深度。
近年来，在视频编码框架内继续使用传统方法改进编码性能变得越来越困难，基于神经网络的视频编码逐渐成为可能。
发明内容
本发明的目的在于提供一种基于深度神经网络的3D视频深度图帧内快速编码方法，在保证合成视角中视频质量的前提下，降低编码单元四叉树划分计算复杂度，节约编码时间。
实现本发明目的的技术解决方案为：一种基于深度神经网络的3D视频深度图帧内快速编码方法，包括如下步骤：
步骤1：数据收集，选取深度图多种细节不同的视频，每隔20帧选取1帧，每个视频共计选取5帧，在不同量化参数QP下用原始3D-HEVC编码器进行编码，将每个编码树单元CTU中三种不同深度等级的编码单元CU是继续四叉树划分或者终止四叉树划分的结果作为标签，并采集深度0的64×64编码单元的DIS率失真值和量化参数QP，与所有划分标签记录在一个CTU中，作为训练数据集；
步骤2：数据训练，对于训练集中的CTU，将CTU的亮度值进行去均值预处理，作为卷积神经网络的输入，随后进行五次卷积计算，最终得到1×1的特征；将QP和DIS率失真值作为先验输入全连接层，并将输出的特征与CTU的特征叠加，经过softmax作为深度0的输出；随后对1×1的特征进行反卷积计算得到2×2的特征，并与中间对应大小特征叠加，经过softmax作为深度1的输出；继续进行反卷积，得到4×4的特征，并与中间对应大小特征叠加，经过softmax作为深度2的输出，经过数据训练后得到一个用于3D-HEVC帧内快速编码的网络；
步骤3：数据测试，选取8个视频序列作为测试集，每一帧图像每一个CTU，在编码深度0的64×64的CTU后，将CTU亮度值、QP、DIS率失真值输入到训练好的用于3D-HEVC帧内快速编码的网络中，得到每个CTU中不同深度编码单元的划分判断结果，根据判断结果进行后续编码。
本发明与现有技术相比，其显著优点在于：(1)对特征反卷积并与中间特征concatenate，将全局视野与局部视野融合，提高深度为1和2的CU的划分判断准确率；(2)网络直接得到深度0、1、2的所有CU的划分判断，无需对每个深度CU单独判断；(3)用一个神经网络完成三个深度层级的训练和判断，无需为每一层深度单独训练神经网络。
附图说明
图1是3D-HEVC中深度图CTU四叉树划分结构示意图。
图2是本发明基于深度神经网络的3D视频深度图帧内快速编码方法的模型训练图。
图3是本发明基于深度神经网络的3D视频深度图帧内快速编码方法的编码流程图。
具体实施方式
本发明利用深度神经网络来判断3D视频深度图编码块是否需要划分。结合图2，具体步骤如下：
步骤1：数据收集，选取深度图多种细节不同的视频，每隔20帧选取1帧，每个视频共计选取5帧，在不同量化参数QP下用原始3D-HEVC编码器进行编码，将每个编码树单元CTU中三种不同深度等级的编码单元CU是继续四叉树划分或者终止四叉树划分的结果作为标签，并采集深度0的64×64编码单元的深度帧内跳过模式(DIS)率失真值和量化参数QP，与所有划分标签记录在一个CTU中，作为训练数据集；
步骤2：数据训练，对于训练集中的CTU，将CTU的亮度值进行去均值预处理，作为卷积神经网络的输入，随后进行五次卷积计算，最终得到1×1的特征，维度为128；将QP和DIS率失真值作为先验输入全连接层，并将输出的特征与CTU的特征叠加，经过softmax作为深度0的输出；随后对1×1的特征进行反卷积计算得到2×2的特征，并与中间对应大小特征叠加，经过softmax作为深度1的输出；继续进行反卷积，得到4×4的特征，并与中间对应大小特征叠加，经过softmax作为深度2的输出，经过数据训练后得到一个用于3D-HEVC帧内快速编码的网络；
步骤3：数据测试，选取8个视频序列作为测试集，每一帧图像每一个CTU，在编码深度0的64×64的CTU后，将CTU亮度值、QP、DIS率失真值输入到训练好的用于3D-HEVC帧内快速编码的网络中，得到每个CTU中不同深度编码单元的划分判断结果，根据判断结果进行预测编码。
进一步地，步骤1中所述用DIS率失真RD-cost的计算表达式如下：
J＝DVSO+λ·B (1)
其中，J是指DIS模式的率失真RD-cost，Dvso是通过视点合成优化技术VSO得到的DIS模式的失真，λ是拉格朗日乘子，B表示用DIS模式编码当前块的比特数。
进一步地，步骤2的五次卷积计算，卷积核大小与步长相等，每次卷积的卷积核不重叠。
进一步地，步骤2将64×64大小CU得到的特征与QP的特征、DIS率失真值的特征concatenate在一起。
进一步地，步骤2将64×64大小CU得到的特征与QP的特征、DIS率失真值的特征concatenate后的特征向量进行反卷积计算，并与神经网络中间相同大小特征concatenate。
进一步地，步骤2搭建的卷积神经网络的判断方法如下：
64×64大小CTU经过五层卷积后的特征与QP的特征、DIS率失真值的特征concatenate得到1×1的复合特征，并输出为深度为0的1个编码单元的划分判断；
对1×1的复合特征反卷积得到2×2的特征，与CTU经过四层卷积的特征concatenate得到2×2的复合特征，并输出为深度为1的4个编码单元的划分判断；
对2×2的复合特征反卷积得到4×4的特征，与CTU经过三层卷积的特征concatenate得到4×4的复合特征，并输出为深度为2的16个编码单元的划分判断。
下面通过实施例，对本发明的技术方案作进一步具体的说明。
实施例
本实施例展示的是基于深度神经网络的3D视频深度图帧内快速编码方法，其流程如图2所示，其步骤包括：
步骤1：数据收集，选取深度图多种细节不同的视频，每隔20帧选取1帧，每个视频共计选取5帧，在不同量化参数QP下用原始3D-HEVC编码器进行编码，将每个编码树单元CTU中三种不同深度等级的编码单元CU是继续四叉树划分或者终止四叉树划分的结果作为标签，并采集深度0的64×64编码单元的深度帧内跳过模式(DIS)率失真值和量化参数QP，与所有划分标签记录在一个CTU中，作为训练数据集；
步骤2：数据训练，对于训练集中的CTU，将CTU的亮度值进行去均值预处理，作为卷积神经网络的输入，随后进行五次卷积计算，最终得到1×1的特征，维度为128；将QP和DIS率失真值作为先验输入全连接层，并将输出的特征与CTU的特征叠加，经过softmax作为深度0的输出；随后对1×1的特征进行反卷积计算得到2×2的特征，并与中间对应大小特征叠加，经过softmax作为深度1的输出；继续进行反卷积，得到4×4的特征，并与中间对应大小特征叠加，经过softmax作为深度2的输出，经过数据训练后得到一个用于3D-HEVC帧内快速编码的网络；
步骤3：数据测试，选取8个视频序列作为测试集，每一帧图像每一个CTU，如图3所示，在编码深度0的64×64的CTU后，将CTU亮度值、QP、DIS率失真值输入到训练好的用于3D-HEVC帧内快速编码的网络中，得到每个CTU中不同深度编码单元的划分判断结果，根据判断结果进行预测编码，如图3所示，具体为：
若对深度0的64×64的CTU判断为不划分，则结束当前CTU编码，否则继续划分；
编码深度1的32×32的CU，若对深度1的32×32的CU判断为不划分，则编码下一个深度1的32×32的CU，直到深度1的4个CU编码完成，否则继续划分；
编码深度2的16×16的CU，若对深度2的16×16的CU判断为不划分，则编码下一个深度2的16×16的CU，直到深度2的4个CU编码完成，否则继续划分；
编码深度3的4个8×8的CU，并返回上一深度。
本发明不局限于权利要求和上述实施例所涉及的内容，只要是根据本发明的构思所创造出来的任何发明，都应归属于本发明的保护范围之内。

Claims (6)

1.一种基于深度神经网络的3D视频深度图帧内快速编码方法，其特征在于，包括如下步骤：
步骤1：数据收集，选取深度图多种细节不同的视频，每隔20帧选取1帧，每个视频共计选取5帧，在不同量化参数QP下用原始3D-HEVC编码器进行编码，将每个编码树单元CTU中三种不同深度等级的编码单元CU是继续四叉树划分或者终止四叉树划分的结果作为标签，并采集深度0的64×64编码单元的DIS率失真值和量化参数QP，与所有划分标签记录在一个CTU中，作为训练数据集；
步骤2：数据训练，对于训练集中的CTU，将CTU的亮度值进行去均值预处理，作为卷积神经网络的输入，随后进行五次卷积计算，最终得到1×1的特征；将QP和DIS率失真值作为先验输入全连接层，并将输出的特征与CTU的特征叠加，经过softmax作为深度0的输出；随后对1×1的特征进行反卷积计算得到2×2的特征，并与中间对应大小特征叠加，经过softmax作为深度1的输出；继续进行反卷积，得到4×4的特征，并与中间对应大小特征叠加，经过softmax作为深度2的输出，经过数据训练后得到一个用于3D-HEVC帧内快速编码的网络；
步骤3：数据测试，选取8个视频序列作为测试集，每一帧图像每一个CTU，在编码深度0的64×64的CTU后，将CTU亮度值、QP、DIS率失真值输入到训练好的用于3D-HEVC帧内快速编码的网络中，得到每个CTU中不同深度编码单元的划分判断结果，根据判断结果进行后续编码。
2.如权利要求1所述的基于深度神经网络的3D视频深度图帧内快速编码方法，其特征在于，步骤1中所述DIS率失真的计算表达式如下：
J＝DVSO+λ·B (1)
其中，J是指DIS模式的率失真RD-cost，Dvso是通过视点合成优化技术VSO得到的DIS模式的失真，λ是拉格朗日乘子，B表示用DIS模式编码当前块的比特数。
3.如权利要求1所述的基于深度神经网络的3D视频深度图帧内快速编码方法，其特征在于，步骤2所述的五次卷积计算，卷积核大小与步长相等，每次卷积的卷积核不重叠。
4.如权利要求1所述的基于深度神经网络的3D视频深度图帧内快速编码方法，其特征在于，步骤2将64×64大小CU得到的特征与QP的特征、DIS率失真值的特征concatenate在一起。
5.如权利要求1所述的基于深度神经网络的3D视频深度图帧内快速编码方法，其特征在于，步骤2将64×64大小CU得到的特征与QP的特征、DIS率失真值的特征concatenate后的特征向量进行反卷积计算，并与神经网络中间相同大小特征concatenate。
6.如权利要求1所述的基于深度神经网络的3D视频深度图帧内快速编码方法，其特征在于，步骤2搭建的卷积神经网络的判断方法如下：
64×64大小CTU经过五层卷积后的特征与QP的特征、DIS率失真值的特征concatenate得到1×1的复合特征，并输出为深度0的1个编码单元的划分判断；
对1×1的复合特征反卷积得到2×2的特征，与CTU经过四层卷积的特征concatenate得到2×2的复合特征，并输出为深度1的4个编码单元的划分判断；
对2×2的复合特征反卷积得到4×4的特征，与CTU经过三层卷积的特征concatenate得到4×4的复合特征，并输出为深度2的16个编码单元的划分判断。
CN202011603013.XA 2020-12-29 2020-12-29 基于深度神经网络的3d视频深度图帧内快速编码方法 Active CN112770120B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011603013.XA CN112770120B (zh) 2020-12-29 2020-12-29 基于深度神经网络的3d视频深度图帧内快速编码方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011603013.XA CN112770120B (zh) 2020-12-29 2020-12-29 基于深度神经网络的3d视频深度图帧内快速编码方法

Publications (2)

Publication Number Publication Date
CN112770120A true CN112770120A (zh) 2021-05-07
CN112770120B CN112770120B (zh) 2022-05-20

Family

ID=75697269

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011603013.XA Active CN112770120B (zh) 2020-12-29 2020-12-29 基于深度神经网络的3d视频深度图帧内快速编码方法

Country Status (1)

Country Link
CN (1) CN112770120B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113613000A (zh) * 2021-08-20 2021-11-05 天津大学 一种智能多分辨率深度视频帧内预测方法
CN116208756A (zh) * 2023-03-22 2023-06-02 南通大学 一种基于多层级特征融合的深度图快速编码方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108347605A (zh) * 2018-01-31 2018-07-31 南京理工大学 3d视频深度图像四叉树编码结构划分的快速决策方法
CN109982092A (zh) * 2019-04-28 2019-07-05 华侨大学 基于多分支循环卷积神经网络的hevc帧间快速方法
CN109996084A (zh) * 2019-04-30 2019-07-09 华侨大学 一种基于多分支卷积神经网络的hevc帧内预测方法
CN110913233A (zh) * 2019-11-28 2020-03-24 华侨大学 一种3d-hevc深度图帧内快速编码的方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108347605A (zh) * 2018-01-31 2018-07-31 南京理工大学 3d视频深度图像四叉树编码结构划分的快速决策方法
CN109982092A (zh) * 2019-04-28 2019-07-05 华侨大学 基于多分支循环卷积神经网络的hevc帧间快速方法
CN109996084A (zh) * 2019-04-30 2019-07-09 华侨大学 一种基于多分支卷积神经网络的hevc帧内预测方法
CN110913233A (zh) * 2019-11-28 2020-03-24 华侨大学 一种3d-hevc深度图帧内快速编码的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
贾克斌: "基于3D-HEVC的三维视频编码方法综述", 《北京工业大学学报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113613000A (zh) * 2021-08-20 2021-11-05 天津大学 一种智能多分辨率深度视频帧内预测方法
CN113613000B (zh) * 2021-08-20 2024-04-26 天津大学 一种智能多分辨率深度视频帧内预测方法
CN116208756A (zh) * 2023-03-22 2023-06-02 南通大学 一种基于多层级特征融合的深度图快速编码方法

Also Published As

Publication number Publication date
CN112770120B (zh) 2022-05-20

Similar Documents

Publication Publication Date Title
Liu et al. Learned image compression with mixed transformer-cnn architectures
CN110087087B (zh) Vvc帧间编码单元预测模式提前决策及块划分提前终止方法
CN102792695B (zh) 通过使用大变换单元对图像进行编码和解码的方法和设备
CN112203093B (zh) 一种基于深度神经网络的信号处理方法
US10003792B2 (en) Video encoder for images
CN104023233B (zh) 一种hevc快速帧间预测方法
CN104754357B (zh) 基于卷积神经网络的帧内编码优化方法及装置
CN108781284A (zh) 具有仿射运动补偿的视频编解码的方法及装置
US20200137384A1 (en) Generative adversarial network based intra prediction for video coding
CN108712648B (zh) 一种深度视频快速帧内编码方法
CN111355956B (zh) 一种hevc帧内编码中基于深度学习的率失真优化快速决策系统及其方法
CN112770120B (zh) 基于深度神经网络的3d视频深度图帧内快速编码方法
CN108924558B (zh) 一种基于神经网络的视频预测编码方法
CN104243997B (zh) 一种质量可分级hevc视频编码方法
CN110677624B (zh) 基于深度学习的面向监控视频的前景和背景并行压缩方法
CN103596003B (zh) 高性能视频编码的帧间预测快速模式选择方法
Fan et al. D-dpcc: Deep dynamic point cloud compression via 3d motion prediction
CN113068041B (zh) 一种智能仿射运动补偿编码方法
CN110677644B (zh) 一种视频编码、解码方法及视频编码帧内预测器
CN103974069B (zh) 可重用的视频编码方法和编码器
CN110225339A (zh) 一种hevc视频序列编解码加速方法
Liu et al. Semantic segmentation in learned compressed domain
CN114219973A (zh) 基于卷积神经网络的vvc块划分快速预测方法及系统
CN109889838A (zh) 一种基于roi区域的hevc快速编码方法
CN115700763A (zh) 一种应用于高分辨率遥感图像的端到端语义分割方法

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
GR01 Patent grant
GR01 Patent grant