CN115623207B - 一种基于多进多出技术的数据传输方法及相关设备 - Google Patents
一种基于多进多出技术的数据传输方法及相关设备 Download PDFInfo
- Publication number
- CN115623207B CN115623207B CN202211603074.5A CN202211603074A CN115623207B CN 115623207 B CN115623207 B CN 115623207B CN 202211603074 A CN202211603074 A CN 202211603074A CN 115623207 B CN115623207 B CN 115623207B
- Authority
- CN
- China
- Prior art keywords
- decoding
- quantized
- layers
- integers
- network
- 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
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
- H04N19/10—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
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/0413—MIMO systems
-
- 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
- H04N19/149—Data rate or code amount at the encoder output by estimating the code amount by means of a model, e.g. mathematical model or statistical model
-
- 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
- H04N19/30—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using hierarchical techniques, e.g. scalability
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- Algebra (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
Abstract
本发明公开了一种基于多进多出技术的数据传输方法及相关设备,所述方法包括:获取M张待压缩图像,分别输入到编码网络中的M个输入层后分别经过所述编码网络中M个待量化特征层后变换为M个待量化特征;将M个待量化特征输入至M个量化单元,M个量化单元分别对M个待量化特征进行压缩量化得到M个整数;将M个整数通过M个无损编码模块分别进行无损编码后得到M个二进制码流,并将M个二进制码流分别输入至M个无损解码模块进行解码;将解码还原得到的M个整数输入至解码网络的M个待解码层,M个待解码层将M个整数变换为M个解码图像,并输出M个解码图像。本发明提高了神经网络对图像进行编解码的效率。
Description
技术领域
本发明涉及无线通信领域中基于MIMO技术的数据传输技术领域,尤其涉及一种基于多进多出技术的数据传输方法、系统、终端及计算机可读存储介质。
背景技术
卫星通道数据传输具有延时大丢包,延时抖动厉害,传输成本高昂的特点,一般的传输信道很难满足要求,必须对数据进行压缩。
近年来,许多基于深度学习的神经网络数据压缩方法,例如面向图像压缩的相关方法达到了比JPEG、BPG等传统图像压缩方法更好的性能。但是现存的基于深度学习的数据压缩框架往往采用参数量大、计算复杂度高的神经网络模型,而且输出的压缩码率为单一码率,无法根据天线数自适应分配数据。因此,需要考虑如何降低模型复杂度,输出适用于多天线数据传输,合理地利用有限的卫星计算资源,缓解任务接收卫星的计算压力。进而对空间激光通信系统的数据传输业务提供有效的支撑,保障数据传输的稳定性。
现有技术中发现神经网络(Neural Network,简称NN)中大部分参数对最终的输出结果贡献不大,最终起作用的部分参数称作为子网络,也就是说,神经网络只是利用了部分参数来实现输出结果,表明存在神经网络中网络参数的利用率低的问题。
为了提高神经网络的参数利用率,目前应用较广泛的技术是模型剪枝,即将模型中冗余的参数裁剪掉,得到最终起作用的子网络。将这些冗余的参数剪掉的技术称为剪枝,剪枝技术可以减小模型大小、提升运行速度。
但是模型剪枝存在很强的特异性(针对性较强),模型剪枝技术对神经网络中参数的裁剪是根据不同任务或不同方案来设定的,当面对一个新的任务或方案时,之前设定的模型剪枝就不再适用,则又会需要重新对神经网络进行针对性的裁剪,从而增加了人力与时间方面的消耗。
因此,现有技术还有待于改进和发展。
发明内容
本发明的主要目的在于提供一种基于多进多出技术的数据传输方法、系统、终端及计算机可读存储介质,旨在解决现有技术中神经网络数据压缩中网络参数利用率低、无法有效适配多天线系统的问题。
为实现上述目的,本发明提供一种基于多进多出技术的数据传输方法,所述基于多进多出技术的数据传输方法包括如下步骤:
获取M张待压缩图像,并输入到编码网络中的M个输入层,M张待压缩图像经过M个输入层后分别经过所述编码网络中M个待量化特征层后变换为M个待量化特征;
将M个待量化特征输入至M个量化单元,M个量化单元分别对M个待量化特征进行压缩量化得到M个整数;
将M个整数通过M个无损编码模块分别进行无损编码后得到M个二进制码流,并将M个二进制码流分别输入至M个无损解码模块进行解码;
将解码还原得到的M个整数输入至解码网络的M个待解码层,M个待解码层将M个整数变换为M个解码图像,并输出M个解码图像。
可选地,所述的基于多进多出技术的数据传输方法,其中,获取M张待压缩图像,并输入到编码网络中的M个输入层,M张待压缩图像经过M个输入层后分别经过所述编码网络中M个待量化特征层后变换为M个待量化特征;
所述获取M张待压缩图像,并输入到编码网络中的M个输入层,M张待压缩图像经过M个输入层后分别经过所述编码网络中M个待量化特征层后变换为M个待量化特征,具体包括:
将所述编码网络的输入层扩张 M 倍,获取M张待压缩图像,将M张待压缩图像分别输入到所述编码网络中的M个输入层;
将所述编码网络中的待量化特征层扩展M倍,将扩展M倍后得到的所有待量化特征层按照通道顺序进行均匀分组,得到M组待量化特征层;
将经过M个输入层后的M张待压缩图像分别经过所述编码网络中M组待量化特征层后变换为M个待量化特征,表示如下:
Z=E(X),其中,Z表示待量化特征,E表示编码网络,X表示待压缩图像;
所述待量化特征层用于去掉所述待压缩图像中的冗余信息。
可选地,所述的基于多进多出技术的数据传输方法,其中,将M个待量化特征输入至M个量化单元,M个量化单元分别对M个待量化特征进行压缩量化得到M个整数;
所述将M个待量化特征输入至M个量化单元,M个量化单元分别对M个待量化特征进行压缩量化得到M个整数,具体包括:
将经过M组待量化特征层的M个待量化特征输入至M个量化单元;
基于M个量化单元分别对M个待量化特征进行压缩量化得到M个整数,表示如下:
Z_hat = Q(Z),其中,Z_hat 表示整数,Q表示量化单元;
所述量化单元用于将浮点数压缩为整数。
可选地,所述的基于多进多出技术的数据传输方法,其中,将M个整数通过M个无损编码模块分别进行无损编码后得到M个二进制码流,并将M个二进制码流分别输入至M个无损解码模块进行解码;
所述将M个整数通过M个无损编码模块分别进行无损编码后得到M个二进制码流,并将M个二进制码流分别输入至M个无损解码模块进行解码,具体包括:
将M个整数Z_hat通过M个无损编码模块分别进行无损编码后,将M个整数转化为M个二进制码流;
将M个二进制码流经过信号传输至M个无损解码模块,M个无损解码模块分别将M个二进制码流进行解码,还原得到M个整数Z_hat。
可选地,所述的基于多进多出技术的数据传输方法,其中,将解码还原得到的M个整数输入至解码网络的M个待解码层,M个待解码层将M个整数变换为M个解码图像,并输出M个解码图像;
所述将解码还原得到的M个整数输入至解码网络的M个待解码层,M个待解码层将M个整数变换为M个解码图像,并输出M个解码图像,具体包括:
将所述解码网络的待解码层扩展M倍,将M个二进制码流还原得到的M个整数Z_hat输入至所述解码网络的M个待解码层;
基于所述解码网络的M个待解码层将M个整数变换为M个解码图像,并输出M个解码图像,表示如下:
Y= D(Z_hat),其中,Y表示解码图像,D表示解码网络。
可选地,所述的基于多进多出技术的数据传输方法,其中,所述所述编码网络和所述解码网络为神经网络。
可选地,所述的基于多进多出技术的数据传输方法,其中,所述所述编码网络和所述解码网络包括:卷积神经网络、递归循环神经网络、感知机和生成对抗网络。
可选地,所述的基于多进多出技术的数据传输方法,其中,所述所述无损编码包括哈夫曼编码、算数编码和区顶顶间编码;
所述无损解码包括哈夫曼解码、算数解码和区顶顶间解码。
此外,为实现上述目的,本发明还提供一种基于多进多出技术的数据传输系统,其中,所述基于多进多出技术的数据传输系统包括:
特征量化模块,用于获取M张待压缩图像,并输入到编码网络中的M个输入层,M张待压缩图像经过M个输入层后分别经过所述编码网络中M个待量化特征层后变换为M个待量化特征;
特征压缩模块,用于将M个待量化特征输入至M个量化单元,M个量化单元分别对M个待量化特征进行压缩量化得到M个整数;
编码解码模块,用于将M个整数通过M个无损编码模块分别进行无损编码后得到M个二进制码流,并将M个二进制码流分别输入至M个无损解码模块进行解码;
图像输出模块,用于将解码还原得到的M个整数输入至解码网络的M个待解码层,M个待解码层将M个整数变换为M个解码图像,并输出M个解码图像。
此外,为实现上述目的,本发明还提供一种终端,其中,所述终端包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于多进多出技术的数据传输程序,所述基于多进多出技术的数据传输程序被所述处理器执行时实现如上所述的基于多进多出技术的数据传输方法的步骤。
此外,为实现上述目的,本发明还提供一种计算机可读存储介质,其中,所述计算机可读存储介质存储有基于多进多出技术的数据传输程序,所述基于多进多出技术的数据传输程序被处理器执行时实现如上所述的基于多进多出技术的数据传输方法的步骤。
本发明中,获取M张待压缩图像,并输入到编码网络中的M个输入层,M张待压缩图像经过M个输入层后分别经过所述编码网络中M个待量化特征层后变换为M个待量化特征;将M个待量化特征输入至M个量化单元,M个量化单元分别对M个待量化特征进行压缩量化得到M个整数;将M个整数通过M个无损编码模块分别进行无损编码后得到M个二进制码流,并将M个二进制码流分别输入至M个无损解码模块进行解码;将解码还原得到的M个整数输入至解码网络的M个待解码层,M个待解码层将M个整数变换为M个解码图像,并输出M个解码图像。本发明将原来神经网络的输入输出层都复制了多份,并接受多个不同的输入并输出多个对应的结果,进而达到充分利用网络的参数的效果,本发明将神经网络的输入层扩大到M倍,输出层同样扩大到M倍,从数据集中抽取M个数据,输入到神经网络中,然后对M个数据进行优化,得到一个可以同时处理M个数据的神经网络,从而将神经网络参数的利用率提高M倍,并且可达到数据上的效果,如果一个神经网络,在不经过本发明的方案之前,编解码一张图片的时间记为T,经过本发明的方法,网络编解码M张图片的时间仍为T,所以每张图片的编解码效率为T/M,通过上述过程,神经网络的参数量可以充分利用,相当于将神经网络的参数的利用率提高了M倍。
附图说明
图1是本发明基于多进多出技术的数据传输方法的较佳实施例的流程图;
图2是本发明基于多进多出技术的数据传输方法的整体框架图;
图3是本发明基于多进多出技术的数据传输系统的较佳实施例的原理示意图;
图4为本发明终端的较佳实施例的运行环境示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确,以下参照附图并举实施例对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明较佳实施例所述的基于多进多出技术的数据传输方法,如图1和图2所示,所述基于多进多出技术的数据传输方法包括以下步骤:
步骤S10、获取M张待压缩图像,并输入到编码网络中的M个输入层,M张待压缩图像经过M个输入层后分别经过所述编码网络中M个待量化特征层后变换为M个待量化特征。
具体地,预先将所述编码网络的输入层扩张 M 倍(M为大于1的正整数,例如M为3),然后获取M张待压缩图像(例如图2中的输入图像X1、X2、X3),将M张待压缩图像分别输入到所述编码网络中的M个输入层;将所述编码网络中的待量化特征层扩展M倍,将扩展M倍后得到的所有待量化特征层按照通道顺序进行均匀分组,得到M组待量化特征层(例如图2中分组得到的3组量化层);将经过M个输入层后的M张待压缩图像分别经过所述编码网络中M组待量化特征层后变换为M个待量化特征(图像分析需要的特征),表示如下:Z=E(X),其中,Z表示待量化特征,E表示编码网络,X表示待压缩图像;所述待量化特征层用于去掉所述待压缩图像中的冗余信息(即去掉不需要进行图像分析的多余特征)。
其中,将所述编码网络的输入层扩张M倍指将所述编码网络的输入层进行通道扩张,之前输入一张图片变为现在可同时输入M张图片,但是,由于网络的实际容量是有一个上界的,所以对于一个固定的网络,M的大小同样具有一个上界M_max,不能通过无限增大M去提高网络的参数利用率,超过M_max之后,网络的性能会下降,影响编解码的效率,所述M_max由选取的神经网络决定,所述编码网络用于提取输入图像的特征信息。
图像信号在经过变换之后,其数据量是相当大的,如果不进行压缩就无法实现实时传送,而压缩的主要方式就是除去冗余,即除去数据中那些与信息无关的或对图像质量影响不大的多余部分。图像的冗余主要表现为以下几种形式:空间冗余、时间冗余、视觉冗余、信息熵冗余、结构冗余和知识冗余。
其中,对于图像中选择去除的冗余信息由所述编码网络确定,并且,所述待量化特征为去掉冗余信息后的待压缩图像,这样可以降低后续进行图像分析的工作量。
步骤S20、将M个待量化特征输入至M个量化单元,M个量化单元分别对M个待量化特征进行压缩量化得到M个整数。
具体地,将经过M组待量化特征层的M个待量化特征输入至M个量化单元(如图2中的量化单元Q),基于M个量化单元Q分别对M个待量化特征Z进行压缩量化得到M个整数,表示如下:Z_hat = Q(Z),其中,Z_hat 表示整数,Q表示量化单元;所述量化单元用于将浮点数压缩为整数。
其中,所述量化的具体过程为M个量化单元Q对M个待量化特征Z中的浮点数根据四舍五入的方式进行取整,达到进一步数据压缩的目的。
另外,MIMO(多进多出)系统要求输入独立,为了满足这个要求,输入不同的图像需要放在batch(批量)维度进行输入,同理输出的图像也放在batch维度,由于输出的码流需独立,所以需要分别进行“量化-编码”。
步骤S30、将M个整数通过M个无损编码模块分别进行无损编码后得到M个二进制码流,并将M个二进制码流分别输入至M个无损解码模块进行解码。
具体地,将M个整数Z_hat通过M个无损编码模块(如图2中的无损编码模块AE)分别进行无损编码后,将M个整数Z_hat转化为M个二进制码流;将M个二进制码流经过信号传输至M个无损解码模块(如图2中的无损解码模块AD),M个无损解码模块AD分别将M个二进制码流进行解码,还原得到M个整数Z_hat。
其中,所述无损编码用于将整数转化为二进制码流,例如所述无损编码可将整数9转化为二进制1001,达到进一步数据压缩的目的,进而使用二进制码流传递数据,提高传输速率,并且图像的压缩过程可以包括无损压缩过程或有损压缩过程,而本发明所述无损编码压缩过程可以保留M个整数的确切内容。
所述无损解码是对图像的数据存储方式进行优化,也不会使图像细节有任何损失。
步骤S40、将解码还原得到的M个整数输入至解码网络的M个待解码层,M个待解码层将M个整数变换为M个解码图像,并输出M个解码图像。
具体地,将所述解码网络的待解码层扩展M倍,将M个二进制码流还原得到的M个整数Z_hat后,输入至所述解码网络的M个待解码层(如图2中的3组待解码层);基于所述解码网络的M个待解码层将M个整数Z_hat变换为M个解码图像,并输出M个解码图像(如图2中的输出图像Y1、Y2和Y3),表示如下:Y= D(Z_hat),其中,Y表示解码图像,D表示解码网络。
对于图像任务来说,整个系统的输出有两个方面:压缩的码流和解码的图像,所以需要对压缩的码流和解码的图像都进行输出层数扩张。
其中,所述编码网络和所述解码网络可以是各种神经网络。
其中,所述编码网络和所述解码网络包括:卷积神经网络、递归循环神经网络、感知机和生成对抗网络。
其中,所述无损编码包括哈夫曼编码、算数编码和区顶顶间编码;所述无损解码包括哈夫曼解码、算数解码和区顶顶间解码。
其中,无损编码模块AE和无损解码模块AD是指的是熵编解码技术,具体实施方式可以是哈夫曼编解码、算数编解码、区顶顶间编解码等方法。
另外,本发明的目的是为了提高网络的效率,输入的多个图像可以是不一样的,而本发明还可以输入相同的图像,即将输入的图像复制M份,这样可以得到M个码流和M张解码图像,然后选择最佳的码流和解码图像,如此即使神经网络的效率没有提高,但是可以选择最优的结果,从而提高编解码系统的性能。
进一步地,如图3所示,基于上述基于多进多出技术的数据传输方法,本发明还相应提供了一种基于多进多出技术的数据传输系统,其中,所述基于多进多出技术的数据传输系统包括:
特征量化模块51,用于获取M张待压缩图像,并输入到编码网络中的M个输入层,M张待压缩图像经过M个输入层后分别经过所述编码网络中M个待量化特征层后变换为M个待量化特征;
特征压缩模块52,用于将M个待量化特征输入至M个量化单元,M个量化单元分别对M个待量化特征进行压缩量化得到M个整数;
编码解码模块53,用于将M个整数通过M个无损编码模块分别进行无损编码后得到M个二进制码流,并将M个二进制码流分别输入至M个无损解码模块进行解码;
图像输出模块54,用于将解码还原得到的M个整数输入至解码网络的M个待解码层,M个待解码层将M个整数变换为M个解码图像,并输出M个解码图像。
进一步地,如图4所示,基于上述基于多进多出技术的数据传输方法和系统,本发明还相应提供了一种终端,所述终端包括处理器10、存储器20及显示器30。图4仅示出了终端的部分组件,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。
所述存储器20在一些实施例中可以是所述终端的内部存储单元,例如终端的硬盘或内存。所述存储器20在另一些实施例中也可以是所述终端的外部存储设备,例如所述终端上配备的插接式硬盘,智能存储卡(Smart Media Card, SMC),安全数字(SecureDigital, SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器20还可以既包括所述终端的内部存储单元也包括外部存储设备。所述存储器20用于存储安装于所述终端的应用软件及各类数据,例如所述安装终端的程序代码等。所述存储器20还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中,存储器20上存储有基于多进多出技术的数据传输程序40,该基于多进多出技术的数据传输程序40可被处理器10所执行,从而实现本申请中基于多进多出技术的数据传输方法。
所述处理器10在一些实施例中可以是一中央处理器(Central Processing Unit,CPU),微处理器或其他数据处理芯片,用于运行所述存储器20中存储的程序代码或处理数据,例如执行所述基于多进多出技术的数据传输方法等。
所述显示器30在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。所述显示器30用于显示在所述终端的信息以及用于显示可视化的用户界面。所述终端的部件10-30通过系统总线相互通信。
在一实施例中,当处理器10执行所述存储器20中基于多进多出技术的数据传输程序40时实现以下步骤:
获取M张待压缩图像,并输入到编码网络中的M个输入层,M张待压缩图像经过M个输入层后分别经过所述编码网络中M个待量化特征层后变换为M个待量化特征;
将M个待量化特征输入至M个量化单元,M个量化单元分别对M个待量化特征进行压缩量化得到M个整数;
将M个整数通过M个无损编码模块分别进行无损编码后得到M个二进制码流,并将M个二进制码流分别输入至M个无损解码模块进行解码;
将解码还原得到的M个整数输入至解码网络的M个待解码层,M个待解码层将M个整数变换为M个解码图像,并输出M个解码图像。
其中,所述获取M张待压缩图像,并输入到编码网络中的M个输入层,M张待压缩图像经过M个输入层后分别经过所述编码网络中M个待量化特征层后变换为M个待量化特征,具体包括:
将所述编码网络的输入层扩张 M 倍,获取M张待压缩图像,将M张待压缩图像分别输入到所述编码网络中的M个输入层;
将所述编码网络中的待量化特征层扩展M倍,将扩展M倍后得到的所有待量化特征层按照通道顺序进行均匀分组,得到M组待量化特征层;
将经过M个输入层后的M张待压缩图像分别经过所述编码网络中M组待量化特征层后变换为M个待量化特征,表示如下:
Z=E(X),其中,Z表示待量化特征,E表示编码网络,X表示待压缩图像。
其中,所述待量化特征层用于去掉所述待压缩图像中的冗余信息。
其中,所述将M个待量化特征输入至M个量化单元,M个量化单元分别对M个待量化特征进行压缩量化得到M个整数,具体包括:
将经过M组待量化特征层的M个待量化特征输入至M个量化单元;
基于M个量化单元分别对M个待量化特征进行压缩量化得到M个整数,表示如下:
Z_hat = Q(Z),其中,Z_hat 表示整数,Q表示量化单元。
其中,所述量化单元用于将浮点数压缩为整数。
其中,所述将M个整数通过M个无损编码模块分别进行无损编码后得到M个二进制码流,并将M个二进制码流分别输入至M个无损解码模块进行解码,具体包括:
将M个整数Z_hat通过M个无损编码模块分别进行无损编码后,将M个整数转化为M个二进制码流;
将M个二进制码流经过信号传输至M个无损解码模块,M个无损解码模块分别将M个二进制码流进行解码,还原得到M个整数Z_hat。
其中,所述将解码还原得到的M个整数输入至解码网络的M个待解码层,M个待解码层将M个整数变换为M个解码图像,并输出M个解码图像,具体包括:
将所述解码网络的待解码层扩展M倍,将M个二进制码流还原得到的M个整数Z_hat输入至所述解码网络的M个待解码层;
基于所述解码网络的M个待解码层将M个整数变换为M个解码图像,并输出M个解码图像,表示如下:
Y= D(Z_hat),其中,Y表示解码图像,D表示解码网络。
其中,所述编码网络和所述解码网络为神经网络。
其中,所述编码网络和所述解码网络包括:卷积神经网络、递归循环神经网络、感知机和生成对抗网络。
其中,所述无损编码包括哈夫曼编码、算数编码和区顶顶间编码;
所述无损解码包括哈夫曼解码、算数解码和区顶顶间解码。
本发明还提供一种计算机可读存储介质,其中,所述计算机可读存储介质存储有基于多进多出技术的数据传输程序,所述基于多进多出技术的数据传输程序被处理器执行时实现如上所述的基于多进多出技术的数据传输方法的步骤。
综上所述,本发明提供一种基于多进多出技术的数据传输方法及相关设备,所述方法包括:获取M张待压缩图像,并输入到编码网络中的M个输入层,M张待压缩图像经过M个输入层后分别经过所述编码网络中M个待量化特征层后变换为M个待量化特征;将M个待量化特征输入至M个量化单元,M个量化单元分别对M个待量化特征进行压缩量化得到M个整数;将M个整数通过M个无损编码模块分别进行无损编码后得到M个二进制码流,并将M个二进制码流分别输入至M个无损解码模块进行解码;将解码还原得到的M个整数输入至解码网络的M个待解码层,M个待解码层将M个整数变换为M个解码图像,并输出M个解码图像。本发明将原来神经网络的输入输出层都复制了多份,并接受多个不同的输入并输出多个对应的结果,进而达到充分利用网络的参数的效果,本发明将神经网络的输入层扩大到M倍,输出层同样扩大到M倍,从数据集中抽取M个数据,输入到神经网络中,然后对M个数据进行优化,得到一个可以同时处理M个数据的神经网络,从而将神经网络参数的利用率提高M倍,并且可达到数据上的效果,如果一个神经网络,在不经过本发明的方案之前,编解码一张图片的时间记为T,经过本发明的方法,神经网络编解码M张图片的时间仍为T,所以每张图片的编解码效率为T/M,通过上述过程,神经网络的参数量可以充分利用,相当于将神经网络的参数的利用率提高了M倍。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者终端中还存在另外的相同要素。
当然,本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关硬件(如处理器,控制器等)来完成,所述的程序可存储于一计算机可读取的计算机可读存储介质中,所述程序在执行时可包括如上述各方法实施例的流程。其中所述的计算机可读存储介质可为存储器、磁碟、光盘等。
应当理解的是,本发明的应用不限于上述的举例,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (13)
1.一种基于多进多出技术的数据传输方法,其特征在于,所述基于多进多出技术的数据传输方法包括:
获取M张待压缩图像,并输入到编码网络中的M个输入层,M张待压缩图像经过M个输入层后分别经过所述编码网络中M个待量化特征层后变换为M个待量化特征;
将M个待量化特征输入至M个量化单元,M个量化单元分别对M个待量化特征进行压缩量化得到M个整数;
将M个整数通过M个无损编码模块分别进行无损编码后得到M个二进制码流,并将M个二进制码流分别输入至M个无损解码模块进行解码;
将解码还原得到的M个整数输入至解码网络的M个待解码层,M个待解码层将M个整数变换为M个解码图像,并输出M个解码图像。
2.根据权利要求1所述的基于多进多出技术的数据传输方法,其特征在于,所述获取M张待压缩图像,并输入到编码网络中的M个输入层,M张待压缩图像经过M个输入层后分别经过所述编码网络中M个待量化特征层后变换为M个待量化特征,具体包括:
将所述编码网络的输入层扩张 M 倍,获取M张待压缩图像,将M张待压缩图像分别输入到所述编码网络中的M个输入层;
将所述编码网络中的待量化特征层扩展M倍,将扩展M倍后得到的所有待量化特征层按照通道顺序进行均匀分组,得到M组待量化特征层;
将经过M个输入层后的M张待压缩图像分别经过所述编码网络中M组待量化特征层后变换为M个待量化特征,表示如下:
Z=E(X),其中,Z表示待量化特征,E表示编码网络,X表示待压缩图像。
3.根据权利要求2所述的基于多进多出技术的数据传输方法,其特征在于,所述待量化特征层用于去掉所述待压缩图像中的冗余信息。
4.根据权利要求2所述的基于多进多出技术的数据传输方法,其特征在于,所述将M个待量化特征输入至M个量化单元,M个量化单元分别对M个待量化特征进行压缩量化得到M个整数,具体包括:
将经过M组待量化特征层的M个待量化特征输入至M个量化单元;
基于M个量化单元分别对M个待量化特征进行压缩量化得到M个整数,表示如下:
Z_hat = Q(Z),其中,Z_hat 表示整数,Q表示量化单元。
5.根据权利要求4所述的基于多进多出技术的数据传输方法,其特征在于,所述量化单元用于将浮点数压缩为整数。
6.根据权利要求4所述的基于多进多出技术的数据传输方法,其特征在于,所述将M个整数通过M个无损编码模块分别进行无损编码后得到M个二进制码流,并将M个二进制码流分别输入至M个无损解码模块进行解码,具体包括:
将M个整数Z_hat通过M个无损编码模块分别进行无损编码后,将M个整数转化为M个二进制码流;
将M个二进制码流经过信号传输至M个无损解码模块,M个无损解码模块分别将M个二进制码流进行解码,还原得到M个整数Z_hat。
7.根据权利要求6所述的基于多进多出技术的数据传输方法,其特征在于,所述将解码还原得到的M个整数输入至解码网络的M个待解码层,M个待解码层将M个整数变换为M个解码图像,并输出M个解码图像,具体包括:
将所述解码网络的待解码层扩展M倍,将M个二进制码流还原得到的M个整数Z_hat输入至所述解码网络的M个待解码层;
基于所述解码网络的M个待解码层将M个整数变换为M个解码图像,并输出M个解码图像,表示如下:
Y= D(Z_hat),其中,Y表示解码图像,D表示解码网络。
8.根据权利要求1所述的基于多进多出技术的数据传输方法,其特征在于,所述编码网络和所述解码网络为神经网络。
9.根据权利要求8所述的基于多进多出技术的数据传输方法,其特征在于,所述编码网络和所述解码网络包括:卷积神经网络、递归循环神经网络、感知机和生成对抗网络。
10.根据权利要求1-9任一项所述的基于多进多出技术的数据传输方法,其特征在于,所述无损编码包括哈夫曼编码、算数编码和区顶顶间编码;
所述无损解码包括哈夫曼解码、算数解码和区顶顶间解码。
11.一种基于多进多出技术的数据传输系统,其特征在于,所述基于多进多出技术的数据传输系统包括:
特征量化模块,用于获取M张待压缩图像,并输入到编码网络中的M个输入层,M张待压缩图像经过M个输入层后分别经过所述编码网络中M个待量化特征层后变换为M个待量化特征;
特征压缩模块,用于将M个待量化特征输入至M个量化单元,M个量化单元分别对M个待量化特征进行压缩量化得到M个整数;
编码解码模块,用于将M个整数通过M个无损编码模块分别进行无损编码后得到M个二进制码流,并将M个二进制码流分别输入至M个无损解码模块进行解码;
图像输出模块,用于将解码还原得到的M个整数输入至解码网络的M个待解码层,M个待解码层将M个整数变换为M个解码图像,并输出M个解码图像。
12.一种终端,其特征在于,所述终端包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于多进多出技术的数据传输程序,所述基于多进多出技术的数据传输程序被所述处理器执行时实现如权利要求1-10任一项所述的基于多进多出技术的数据传输方法的步骤。
13.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有基于多进多出技术的数据传输程序,所述基于多进多出技术的数据传输程序被处理器执行时实现如权利要求1-10任一项所述的基于多进多出技术的数据传输方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211603074.5A CN115623207B (zh) | 2022-12-14 | 2022-12-14 | 一种基于多进多出技术的数据传输方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211603074.5A CN115623207B (zh) | 2022-12-14 | 2022-12-14 | 一种基于多进多出技术的数据传输方法及相关设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115623207A CN115623207A (zh) | 2023-01-17 |
CN115623207B true CN115623207B (zh) | 2023-03-10 |
Family
ID=84880355
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211603074.5A Active CN115623207B (zh) | 2022-12-14 | 2022-12-14 | 一种基于多进多出技术的数据传输方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115623207B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107396124A (zh) * | 2017-08-29 | 2017-11-24 | 南京大学 | 基于深度神经网络的视频压缩方法 |
CN112734867A (zh) * | 2020-12-17 | 2021-04-30 | 南京航空航天大学 | 一种基于空谱特征分离提取的多光谱图像压缩方法及系统 |
CN113450421A (zh) * | 2021-07-16 | 2021-09-28 | 中国电子科技集团公司第二十八研究所 | 一种基于增强深度学习的无人机侦察图像压缩与解压方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4144087A1 (en) * | 2020-04-29 | 2023-03-08 | Deep Render Ltd | Image compression and decoding, video compression and decoding: methods and systems |
-
2022
- 2022-12-14 CN CN202211603074.5A patent/CN115623207B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107396124A (zh) * | 2017-08-29 | 2017-11-24 | 南京大学 | 基于深度神经网络的视频压缩方法 |
CN112734867A (zh) * | 2020-12-17 | 2021-04-30 | 南京航空航天大学 | 一种基于空谱特征分离提取的多光谱图像压缩方法及系统 |
CN113450421A (zh) * | 2021-07-16 | 2021-09-28 | 中国电子科技集团公司第二十八研究所 | 一种基于增强深度学习的无人机侦察图像压缩与解压方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115623207A (zh) | 2023-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shao et al. | Communication-computation trade-off in resource-constrained edge inference | |
US11949868B2 (en) | Method and device for selecting context model of quantization coefficient end flag bit | |
CN107027033B (zh) | 一种用于使用贴片拷贝的视频编解码方法 | |
WO2015078422A1 (zh) | 图像编码、解码方法及装置 | |
CN103873877A (zh) | 远程桌面的图像传输方法及装置 | |
CN103460701A (zh) | 有效度图编码的复杂度降低 | |
WO2021031877A1 (zh) | 图像编解码的方法、装置和芯片 | |
EP3806462A1 (en) | Image encoding and decoding method , related device and storage medium | |
US20230106778A1 (en) | Quantization for Neural Networks | |
Huang et al. | Joint task and data oriented semantic communications: A deep separate source-channel coding scheme | |
US10630747B2 (en) | Integer multiple description coding system | |
CN115623207B (zh) | 一种基于多进多出技术的数据传输方法及相关设备 | |
CN113038134B (zh) | 一种图片处理方法、智能终端及存储介质 | |
US11902524B2 (en) | Decoding method and device for quantization block, video decoding method, and electronic device | |
US8036471B2 (en) | Joint amplitude and position coding of coefficients for video compression | |
EP2449683A1 (en) | Methods for arithmetic coding and decoding | |
CN116863949A (zh) | 通信接收方法及其装置 | |
CN114846806A (zh) | 用于图像压缩的累积分布函数的有效率更新 | |
CN111787326A (zh) | 一种熵编码及熵解码的方法和装置 | |
CN112839226B (zh) | 一种图像编码、解码方法、相关装置及存储介质 | |
CN116128737B (zh) | 一种基于数据压缩的图像超分网络鲁棒性提升装置 | |
CN114827289B (zh) | 一种通信压缩方法、系统、电子装置和存储介质 | |
CN111885378B (zh) | 多媒体数据编码方法、装置、设备以及介质 | |
US20240195980A1 (en) | Image processing method and system, encoder, and computer readable storage medium | |
Chen et al. | Efficient Pruning Method for Learned Lossy Image Compression Models Based on Side Information |
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 |