CN117939121A - 一种基于遗传算法的帧间图像编码单元划分方法与系统 - Google Patents

一种基于遗传算法的帧间图像编码单元划分方法与系统 Download PDF

Info

Publication number
CN117939121A
CN117939121A CN202311755053.XA CN202311755053A CN117939121A CN 117939121 A CN117939121 A CN 117939121A CN 202311755053 A CN202311755053 A CN 202311755053A CN 117939121 A CN117939121 A CN 117939121A
Authority
CN
China
Prior art keywords
coding unit
population
inter
coding
frame image
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
Application number
CN202311755053.XA
Other languages
English (en)
Inventor
蒋先涛
柳云夏
郭咏梅
郭咏阳
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.)
Ningbo Kangda Kaineng Medical Technology Co ltd
Original Assignee
Ningbo Kangda Kaineng Medical Technology Co ltd
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 Ningbo Kangda Kaineng Medical Technology Co ltd filed Critical Ningbo Kangda Kaineng Medical Technology Co ltd
Priority to CN202311755053.XA priority Critical patent/CN117939121A/zh
Publication of CN117939121A publication Critical patent/CN117939121A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/771—Feature selection, e.g. selecting representative features from a multi-dimensional feature space
    • 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
    • H04N19/103—Selection of coding mode or of prediction mode
    • H04N19/105—Selection of the reference unit for prediction within a chosen coding or prediction mode, e.g. adaptive choice of position and number of pixels used for 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
    • H04N19/10—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
    • H04N19/119—Adaptive subdivision aspects, e.g. subdivision of a picture into rectangular or non-rectangular coding blocks
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Compression Or Coding Systems Of Tv Signals (AREA)

Abstract

本发明公开了一种基于遗传算法的帧间图像编码单元划分方法与系统，涉及图像处理技术领域，包括步骤：提取当前图像组帧内编码帧中各编码单元的关键特征，并随机生成初始化种群；以各编码单元的关键特征及其对应划分模式为对比基准，执行种群选择与交叉操作下的适应度值计算；在适应度值达到期望值或达到最大迭代数前进行种群迭代；通过分类器对当前图像组中的帧间图像编码单元进行基于关键特征匹配下的划分模式判定。本发明通过遗传算法对同一图像组具有相近关键特征聚类的特性进行研究，从迭代种群中筛选出最接近的个体，获得划分模式判定结果，在兼顾编码质量的同时降低了编码复杂度。

Description

一种基于遗传算法的帧间图像编码单元划分方法与系统
技术领域
本发明涉及图像处理技术领域，具体涉及一种基于遗传算法的帧间图像编码单元划分方法与系统。
背景技术
针对H.266/VVC编码标准的计算复杂度，研究者和开发者一直在努力采取各种方法来优化和加速编码过程。预测模式简化是一种降低视频编码复杂度的方法，它通过减少预测模式的搜索范围或限制预测模式的数量来降低编码的计算开销。预测模式简化的主要方法包括以下几种：(1)早停策略：在预测模式搜索过程中，可以采用早停策略。即一旦找到一个足够好的预测模式，便停止进一步搜索，而不再继续尝试更复杂的预测模式。这样可以在一定程度上减少搜索时间和计算量。(2)精简预测模式集合：在一些视频编码标准中，预测模式集合可能非常庞大，包含了多种复杂的预测模式。为了简化计算，可以从这个集合中选择一些常用的、计算量较小的预测模式，而忽略一些复杂的模式。这样可以减少计算复杂度，但可能会牺牲一定的编码性能。(3)基于统计的方法：利用统计信息来选择预测模式，例如根据先前编码过程中的预测模式分布，选择出现频率较高的预测模式作为候选，从而减少搜索范围。(4)子采样预测：在预测模式搜索时，可以对视频帧进行子采样，降低帧的分辨率，从而减少预测模式搜索的计算量。然后，再根据低分辨率的预测结果，进行更细粒度的预测模式搜索。(5)快速运动估计：预测模式搜索中的运动估计是计算复杂度的一个主要来源。可以采用快速运动估计算法，如快速搜索算法(Fast Motion Estimation)等，来减少运动估计的计算开销。这些方法都是通过减少预测模式搜索的计算量或缩小搜索范围，来简化编码过程，以提高视频编码的速度。需要注意的是，预测模式简化可能会对编码质量产生一定的影响，因此需要在计算复杂度和编码性能之间做出合理的权衡。
发明内容
为了平衡好计算复杂度和编码性能，本发明提出了一种基于遗传算法的帧间图像编码单元划分方法，包括步骤：
S1：提取当前图像组帧内编码帧中各编码单元的关键特征，并随机生成初始化种群；
S2：以各编码单元的关键特征及其对应划分模式为对比基准，执行种群选择与交叉操作下的适应度值计算；
S3：判断适应度值是否达到期望值或达到最大迭代数，若是，以当前迭代为最终种群作为分类器并进入S4步骤，若否，执行种群变异操作并返回S2步骤；
S4：通过分类器对当前图像组中的帧间图像编码单元进行基于关键特征匹配下的划分模式判定。
进一步地，所述S1步骤中，关键特征包括率失真函数、边界信息、编码深度、运动矢量预测和纹理复杂度。
进一步地，所述S2步骤中，采用前馈神经网络作为编码单元划分模式适应度函数的训练网络。
进一步地，所述前向型神经网络采用指数线性函数作为激活函数，公式表达如下：
式中，x为神经元激活值，f()为激活函数，β为超参数。
进一步地，所述S4步骤中，根据关键特征对当前编码单元进行适应度值计算，并根据适应度值从分类器中索引对应的个体，该个体对应的划分模式即为判定结果。
本发明还提出了一种基于遗传算法的帧间图像编码单元划分系统，包括：
种群初始化单元，用于随机生成初始化种群；
适应度计算单元，用于以各编码单元的关键特征及其对应划分模式为对比基准，执行种群选择与交叉操作下的适应度值计算；
种群迭代单元，用于适应度值未达到期望值且未达到最大迭代数前对当前种群执行种群变异操作；
编码划分单元，用于将最终种群作为分类器并对当前图像组中的帧间图像编码单元进行基于关键特征匹配下的划分模式判定。
进一步地，所述关键特征包括率失真函数、边界信息、编码深度、运动矢量预测和纹理复杂度。
进一步地，所述适应度计算单元中，采用前馈神经网络作为编码单元划分模式适应度函数的训练网络。
进一步地，所述前向型神经网络采用指数线性函数作为激活函数，公式表达如下：
式中，x为神经元激活值，f()为激活函数，β为超参数。
进一步地，所述编码划分单元中，根据关键特征对当前编码单元进行适应度值计算，并根据适应度值从分类器中索引对应的个体，该个体对应的划分模式即为判定结果。
与现有技术相比，本发明至少含有以下有益效果：
本发明所述的一种基于遗传算法的帧间图像编码单元划分方法与系统，利用同一图像组具有相近关键特征聚类的特性，通过遗传算法对该特性进行研究分析，从而在后续帧间图像编码划分的过程中，无需进行额外的数据计算，只需对当前编码单元的关键特征进行聚类分析获取适应度值，从而从迭代种群中筛选出最接近的个体，获得划分模式判定结果，在兼顾编码质量的同时降低了编码复杂度。
附图说明
图1为一种基于遗传算法的帧间图像编码单元划分方法的步骤图；
图2为一种基于遗传算法的帧间图像编码单元划分系统的模块图；
图3为前馈神经网络的结构示意图。
具体实施方式
以下是本发明的具体实施例并结合附图，对本发明的技术方案作进一步的描述，但本发明并不限于这些实施例。
实施例一
虽然VVC在压缩效率和视频质量方面带来了显著的改进，但同时也需要更高性能的硬件来实现更复杂的编码和解码过程。要在实际应用中使用VVC编码，需要考虑硬件资源和编码时间的平衡。在高性能计算平台上，可以利用并行计算和硬件加速来缩短编码时间。而在嵌入式设备和移动终端上，可能需要权衡编码复杂度和性能要求，以达到适当的视频质量和编码速度。为实现该目标，如题1所示，本发明提出了一种基于遗传算法的帧间图像编码单元划分方法，包括步骤：
S1：提取当前图像组帧内编码帧中各编码单元的关键特征，并随机生成初始化种群；
S2：以各编码单元的关键特征及其对应划分模式为对比基准，执行种群选择与交叉操作下的适应度值计算；
S3：判断适应度值是否达到期望值或达到最大迭代数，若是，以当前迭代为最终种群作为分类器并进入S4步骤，若否，执行种群变异操作并返回S2步骤；
S4：通过分类器对当前图像组中的帧间图像编码单元进行基于关键特征匹配下的划分模式判定。
不难看出，本发明是利用遗传算法，将编码单元的模式划分问题建模为多分类问题，通过模拟自然界的进化过程，逐步优化编码单元(Coding Unit,CU)划分模式的性能，通过模拟遗传过程中的选择、交叉和变异等操作，来搜索最优解或近似最优解。
在这里，我们利用同一图像组内帧间图像具有相近编码特性(由于同一图像组时间间隔短，帧间图像中的目标运动不会发生太大变动)的特点。以H.266/VCC编码标准为例，编码单元划分有6种划分模式，CU的提取特征向量则包括率失真函数、边界信息、编码深度、运动矢量预测和纹理复杂度等。在这里，我们假设每一个CU具有d个特征向量，xk表示第k个CU的特征向量集，xk＝{xk1，xk2，...，xkd}，yk表示第k类CU的划分模式。根据该假设，我们先提取当前图像组帧内编码帧中各编码单元的特征向量集(也即是关键特征)。
而后，进行编码单元划分模式初始种群的随机生成，并以帧内编码帧中各编码单元特征向量集为发展方向进行遗传迭代，并计算每一代中各子体的适应度值。在此处，我们选用前馈神经网络(Feedforward Neural Network，FNN)定义适应度函数。如图3所示的结构图，前馈神经网络整体包含输入层、若干隐藏层和输出层。
其中，输入层到影藏层的计算公式为：
Z[1]＝W[1]X+b[1]
A[1]＝g[1](Z[1])
其中，X是输入向量也即是种群个体所代表的特征向量集，W[1]是输入层到隐藏层的权重矩阵，b[1]是隐藏层的偏置向量，Z[1]是隐藏层的带权输入，A[1]是隐藏层的激活值，g[1]是隐藏层的激活函数，1代表当前网络所处的层数也即是输入层。
隐藏层到隐藏层之间的计算公式为：
Z[l]＝W[l]A[l-1]+b[l]
A[l]＝g[l](Z[l])
其中，W[l]为第l层到第l+1层的权重矩阵，b[l]是第l层的偏置向量，Z[l]是第l层的带权输入，A[l]是第l层的激活值，g[l]是第l层的激活函数，l代表当前网络所处的层数。
隐藏层到输出层的计算公式为：
Z[L]＝W[L]A[L-1]+b[L]
A[L]＝g[L](Z[L])
其中，W[L]是隐藏层到输出层的权重矩阵，b[L]是输出层的偏置向量，Z[L]是输出层的带权输入，A[L]是输出层的激活值，g[L]是输出层的激活函数，L为输出层的索引，其值大小也是网络的总层数。
在神经网络的每一层中(不包含输出层)，当前层的输出并不是直接作为下一层的输入，而是要经过一个函数变换，这个函数也即是上面提到的激活函数。在这里，为了针对传统激活函数如Sigmoid和ReLU可能会存在梯度消失或梯度爆炸等问题，采用了指数线性函数ELF(Exponential Linear Function)，ELF在输入大于零时输出等于输入，小于零时输出一个指数函数，其公式表达如下所示：
式中，x为神经元激活值，f()为激活函数，β为超参数，通常取一个较小的正数，比如0.01或0.1。ELF激活函数在输入小于零时的输出是一个非线性函数，这可以缓解ReLU激活函数在负数区域造成的梯度饱和问题，有助于改善梯度消失和梯度爆炸的情况。
在以帧内编码帧为训练数据进行训练的过程中，我们将经过FNN神经网络分类后的准确率accuracy定义为适应度函数，也即是：
ffitness＝accuracy
利用遗传算法衍化模拟当前画面组的编码单元关键特征的聚合特性，逐步优化种群中各个个体(编码单元)划分模式的归属准确率，通过模拟遗传过程中的选择、交叉和变异操作，对种群中的个体进行最佳编码模式的划分。其中，选择操作用于从种群中选择一些个体作为父代用于交叉和变异操作，通常选择操作根据适应度函数的值进行选择，较优的个体被选择的概率较大。交叉操作用于生成新的个体。在编码单元划分模式的问题中，可以采用单点交叉方法。变异操作用于对个体进行微小的随机变动，以增加种群的多样性。在编码单元划分模式的问题中，可以采用位翻转方法。并根据选择、交叉和变异的结果更新种群。重复上述过程，直到达到预定的迭代次数或达到终止条件，所得到的种群即可作为最终的分类器。
最后，根据得到的分类器，通过适应度函数对当前图像组中其它帧间图像中的每个个体(编码单元)进行评估，得到适应度值fitnessvalues。找到分类器中与fitnessvalues最大值对应的索引，然后使用该索引从种群中选取对应的个体bestencoding，即为该编码单元的最佳划分模式。
实施例二
为了更好的对本发明的技术内容进行理解，本实施例通过系统通过系统结构的方式来对本发明进行阐述，如图2所示，一种基于遗传算法的帧间图像编码单元划分系统，包括：
种群初始化单元，用于随机生成初始化种群；
适应度计算单元，用于以各编码单元的关键特征及其对应划分模式为对比基准，执行种群选择与交叉操作下的适应度值计算；
种群迭代单元，用于适应度值未达到期望值且未达到最大迭代数前对当前种群执行种群变异操作；
编码划分单元，用于将最终种群作为分类器并对当前图像组中的帧间图像编码单元进行基于关键特征匹配下的划分模式判定。
进一步地，关键特征包括率失真函数、边界信息、编码深度、运动矢量预测和纹理复杂度。
进一步地，适应度计算单元中，采用前馈神经网络作为编码单元划分模式适应度函数的训练网络。
进一步地，前向型神经网络采用指数线性函数作为激活函数，公式表达如下：
式中，x为神经元激活值，f()为激活函数，β为超参数。
进一步地，编码划分单元中，根据关键特征对当前编码单元进行适应度值计算，并根据适应度值从分类器中索引对应的个体，该个体对应的划分模式即为判定结果。
综上所述，本发明所述的一种基于遗传算法的帧间图像编码单元划分方法与系统，利用同一图像组具有相近关键特征聚类的特性，通过遗传算法对该特性进行研究分析，从而在后续帧间图像编码划分的过程中，无需进行额外的数据计算，只需对当前编码单元的关键特征进行聚类分析获取适应度值，从而从迭代种群中筛选出最接近的个体，获得划分模式判定结果，在兼顾编码质量的同时降低了编码复杂度。
需要说明，本发明实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
另外，在本发明中如涉及“第一”、“第二”、“一”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“连接”、“固定”等应做广义理解，例如，“固定”可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
另外，本发明各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。

Claims (10)

1.一种基于遗传算法的帧间图像编码单元划分方法，其特征在于，包括步骤：
S1：提取当前图像组帧内编码帧中各编码单元的关键特征，并随机生成初始化种群；
S2：以各编码单元的关键特征及其对应划分模式为对比基准，执行种群选择与交叉操作下的适应度值计算；
S3：判断适应度值是否达到期望值或达到最大迭代数，若是，以当前迭代为最终种群作为分类器并进入S4步骤，若否，执行种群变异操作并返回S2步骤；
S4：通过分类器对当前图像组中的帧间图像编码单元进行基于关键特征匹配下的划分模式判定。
2.如权利要求1所述的一种基于遗传算法的帧间图像编码单元划分方法，其特征在于，所述S1步骤中，关键特征包括率失真函数、边界信息、编码深度、运动矢量预测和纹理复杂度。
3.如权利要求1所述的一种基于遗传算法的帧间图像编码单元划分方法，其特征在于，所述S2步骤中，采用前馈神经网络作为编码单元划分模式适应度函数的训练网络。
4.如权利要求3所述的一种基于遗传算法的帧间图像编码单元划分方法，其特征在于，所述前向型神经网络采用指数线性函数作为激活函数，公式表达如下：
式中，x为神经元激活值，f()为激活函数，β为超参数。
5.如权利要求1所述的一种基于遗传算法的帧间图像编码单元划分方法，其特征在于，所述S4步骤中，根据关键特征对当前编码单元进行适应度值计算，并根据适应度值从分类器中索引对应的个体，该个体对应的划分模式即为判定结果。
6.一种基于遗传算法的帧间图像编码单元划分系统，其特征在于，包括：
种群初始化单元，用于随机生成初始化种群；
适应度计算单元，用于以各编码单元的关键特征及其对应划分模式为对比基准，执行种群选择与交叉操作下的适应度值计算；
种群迭代单元，用于适应度值未达到期望值且未达到最大迭代数前对当前种群执行种群变异操作；
编码划分单元，用于将最终种群作为分类器并对当前图像组中的帧间图像编码单元进行基于关键特征匹配下的划分模式判定。
7.如权利要求6所述的一种基于遗传算法的帧间图像编码单元划分系统，其特征在于，所述关键特征包括率失真函数、边界信息、编码深度、运动矢量预测和纹理复杂度。
8.如权利要求6所述的一种基于遗传算法的帧间图像编码单元划分系统，其特征在于，所述适应度计算单元中，采用前馈神经网络作为编码单元划分模式适应度函数的训练网络。
9.如权利要求6所述的一种基于遗传算法的帧间图像编码单元划分系统，其特征在于，所述前向型神经网络采用指数线性函数作为激活函数，公式表达如下：
式中，x为神经元激活值，f()为激活函数，β为超参数。
10.如权利要求6所述的一种基于遗传算法的帧间图像编码单元划分系统，其特征在于，所述编码划分单元中，根据关键特征对当前编码单元进行适应度值计算，并根据适应度值从分类器中索引对应的个体，该个体对应的划分模式即为判定结果。
CN202311755053.XA 2023-12-20 2023-12-20 一种基于遗传算法的帧间图像编码单元划分方法与系统 Pending CN117939121A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311755053.XA CN117939121A (zh) 2023-12-20 2023-12-20 一种基于遗传算法的帧间图像编码单元划分方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311755053.XA CN117939121A (zh) 2023-12-20 2023-12-20 一种基于遗传算法的帧间图像编码单元划分方法与系统

Publications (1)

Publication Number Publication Date
CN117939121A true CN117939121A (zh) 2024-04-26

Family

ID=90763732

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311755053.XA Pending CN117939121A (zh) 2023-12-20 2023-12-20 一种基于遗传算法的帧间图像编码单元划分方法与系统

Country Status (1)

Country Link
CN (1) CN117939121A (zh)

Similar Documents

Publication Publication Date Title
Chaurasia et al. Linknet: Exploiting encoder representations for efficient semantic segmentation
Wu et al. HG-FCN: Hierarchical grid fully convolutional network for fast VVC intra coding
CN115695803B (zh) 一种基于极限学习机的帧间图像编码方法
CN112884149B (zh) 一种基于随机敏感度st-sm的深度神经网络剪枝方法及系统
CN111199126A (zh) 一种碎片天线的快速优化设计方法
US20240202982A1 (en) 3d point cloud encoding and decoding method, compression method and device based on graph dictionary learning
Wei et al. Compact MQDF classifiers using sparse coding for handwritten Chinese character recognition
CN115618051B (zh) 一种基于互联网的智慧校园监控视频存储方法
Ma et al. A survey of sparse-learning methods for deep neural networks
CN117911798B (zh) 一种基于图像增强的干细胞质量分类方法及系统
Chen et al. Image compression method using improved PSO vector quantization
Mai et al. VGG deep neural network compression via SVD and CUR decomposition techniques
CN117290721A (zh) 数字孪生建模方法、装置、设备及介质
CN115955574B (zh) 一种基于权重网络的帧内图像编码方法、装置及存储介质
CN117939121A (zh) 一种基于遗传算法的帧间图像编码单元划分方法与系统
Lu et al. A neural network based image compression system
CN113177627B (zh) 优化系统、重新训练系统及其方法及处理器和可读介质
CN116634150B (zh) 基于频繁模式分类的帧间图像编码方法、装置及存储介质
Li et al. Adderic: towards low computation cost image compression
Ahalt et al. Vector quantization using artificial neural network models
Harman et al. A new approach to genetic algorithm in image compression
CN111047038A (zh) 一种利用分块循环矩阵的神经网络压缩方法
CN116347104B (zh) 基于高效判别分析的帧内图像编码方法、装置及存储介质
Huang et al. Online knowledge distillation based on multi-stage multi-generative adversarial network
Du et al. A Compression and Recognition Joint Model for Structured Video Surveillance Storage

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