3D-HEVC深度圖幀內(nèi)預(yù)測(cè)快速編碼算法
發(fā)布時(shí)間:2021-06-14 06:09
三維高效視頻編碼在產(chǎn)生了高效的編碼效率的同時(shí)也是以大量的計(jì)算復(fù)雜性作為代價(jià)的。因此為了降低計(jì)算的復(fù)雜度,本文提出了一種基于深度學(xué)習(xí)網(wǎng)絡(luò)的邊緣檢測(cè)的3D-HEVC深度圖幀內(nèi)預(yù)測(cè)快速算法。算法中首先使用整體嵌套邊緣檢測(cè)網(wǎng)絡(luò)對(duì)深度圖進(jìn)行邊緣檢測(cè),而后使用最大類間方差法將得到的概率邊緣圖進(jìn)行二值化處理,得到顯著性的邊緣區(qū)域。最后針對(duì)處于不同區(qū)域的不同尺寸的預(yù)測(cè)單元,設(shè)計(jì)了不同的優(yōu)化方法,通過跳過深度建模模式和其他某些不必要的模式來降低深度圖幀內(nèi)預(yù)測(cè)的模式選擇的復(fù)雜度,最終達(dá)到減少深度圖的編碼復(fù)雜度的目的。經(jīng)過實(shí)驗(yàn)仿真的驗(yàn)證,本文提出的算法與原始的編碼器算法相比,平均總編碼時(shí)間可減少35%左右,且深度圖編碼時(shí)間平均大約可減少42%,而合成視點(diǎn)的平均比特率僅增加了0.11%。即本文算法在可忽略的質(zhì)量損失下,達(dá)到降低編碼時(shí)間的目的。
【文章來源】:光電子·激光. 2020,31(02)北大核心CSCD
【文章頁數(shù)】:7 頁
【部分圖文】:
深度圖以及其幀內(nèi)最優(yōu)模式的時(shí)間比例
HED網(wǎng)絡(luò)是一種用于邊緣檢測(cè)的新的深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)。它是在VGG16網(wǎng)絡(luò)結(jié)構(gòu)的基礎(chǔ)上進(jìn)行修改得到的。HED網(wǎng)絡(luò)可以通過深度學(xué)習(xí)模型將逐像素分類轉(zhuǎn)換為圖像到圖像的預(yù)測(cè),即實(shí)現(xiàn)端到端的邊緣檢測(cè)。而且在完全卷積神經(jīng)網(wǎng)絡(luò)和深度監(jiān)督網(wǎng)絡(luò)的基礎(chǔ)上,可以自動(dòng)學(xué)習(xí)豐富的分級(jí)特征表示,解決邊緣檢測(cè)中的細(xì)節(jié)問題[1],這也正是這種方法的亮眼之處。在HED網(wǎng)絡(luò)中,采用的是VGGNet網(wǎng)絡(luò)架構(gòu),但是作了以下修改:將VGG網(wǎng)絡(luò)中的最后一個(gè)階段去掉,包括了第五個(gè)池化以及后面全部的連接層,并且將側(cè)邊輸出層與VGG16網(wǎng)絡(luò)中的每個(gè)階段的最后一個(gè)卷積層連接在一起,即與conv1_2,conv2_2,conv3_3,conv4_3,conv5_3相連,這些卷積層中的每一個(gè)感知區(qū)間的尺寸與相應(yīng)的側(cè)邊輸出層相同,經(jīng)過多個(gè)側(cè)邊輸出層可以輸出不同尺度的邊緣。為了最好地利用到這些輸出層的結(jié)果,增加了一個(gè)權(quán)重融合(weighted-fusion)層到網(wǎng)絡(luò),用來將側(cè)邊輸出層得到的預(yù)測(cè)結(jié)果連接到一起并且在訓(xùn)練過程中學(xué)習(xí)融合權(quán)重。然后HED網(wǎng)絡(luò)通過融合權(quán)重與側(cè)邊代價(jià)的和來對(duì)每個(gè)卷積核內(nèi)的參數(shù)與融合權(quán)重使用標(biāo)準(zhǔn)隨機(jī)梯度下降法來進(jìn)行迭代優(yōu)化[18],最終得到最后的邊緣輸出圖。圖2給出了使用HED網(wǎng)絡(luò)得到邊緣檢測(cè)輸出結(jié)果。通過HED網(wǎng)絡(luò)進(jìn)行邊緣檢測(cè)得到的邊緣圖實(shí)際上是一個(gè)概率圖,在原始算法中會(huì)將標(biāo)準(zhǔn)的非極大值抑制的方法來進(jìn)行處理得到更加細(xì)化邊緣。但是,非極大值抑制方法的使用會(huì)導(dǎo)致結(jié)果中出現(xiàn)毛刺現(xiàn)象,在這里,對(duì)于HED網(wǎng)絡(luò)得出的邊緣概率圖,我們使用最大類間方差(Otsu)算法來做下一步的處理,使其二值化為更容易進(jìn)行處理的邊緣結(jié)果。
步驟7:執(zhí)行RMD和MPM過程,若候選模式中存在Planar或DC模式,且MPM中有DC模式,跳過DMM模式,且只對(duì)Planar或者DC模式進(jìn)行率失真代價(jià)的計(jì)算,找出最優(yōu)模式。否則,同樣跳過DMM模式,并且對(duì)候選模式列表中的一切候選模式進(jìn)行全率失真代價(jià)的計(jì)算,找到最優(yōu)模式。4 實(shí)驗(yàn)結(jié)果與討論
【參考文獻(xiàn)】:
期刊論文
[1]一種改進(jìn)的HED網(wǎng)絡(luò)及其在邊緣檢測(cè)中的應(yīng)用[J]. 焦安波,何淼,羅海波. 紅外技術(shù). 2019(01)
本文編號(hào):3229227
【文章來源】:光電子·激光. 2020,31(02)北大核心CSCD
【文章頁數(shù)】:7 頁
【部分圖文】:
深度圖以及其幀內(nèi)最優(yōu)模式的時(shí)間比例
HED網(wǎng)絡(luò)是一種用于邊緣檢測(cè)的新的深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)。它是在VGG16網(wǎng)絡(luò)結(jié)構(gòu)的基礎(chǔ)上進(jìn)行修改得到的。HED網(wǎng)絡(luò)可以通過深度學(xué)習(xí)模型將逐像素分類轉(zhuǎn)換為圖像到圖像的預(yù)測(cè),即實(shí)現(xiàn)端到端的邊緣檢測(cè)。而且在完全卷積神經(jīng)網(wǎng)絡(luò)和深度監(jiān)督網(wǎng)絡(luò)的基礎(chǔ)上,可以自動(dòng)學(xué)習(xí)豐富的分級(jí)特征表示,解決邊緣檢測(cè)中的細(xì)節(jié)問題[1],這也正是這種方法的亮眼之處。在HED網(wǎng)絡(luò)中,采用的是VGGNet網(wǎng)絡(luò)架構(gòu),但是作了以下修改:將VGG網(wǎng)絡(luò)中的最后一個(gè)階段去掉,包括了第五個(gè)池化以及后面全部的連接層,并且將側(cè)邊輸出層與VGG16網(wǎng)絡(luò)中的每個(gè)階段的最后一個(gè)卷積層連接在一起,即與conv1_2,conv2_2,conv3_3,conv4_3,conv5_3相連,這些卷積層中的每一個(gè)感知區(qū)間的尺寸與相應(yīng)的側(cè)邊輸出層相同,經(jīng)過多個(gè)側(cè)邊輸出層可以輸出不同尺度的邊緣。為了最好地利用到這些輸出層的結(jié)果,增加了一個(gè)權(quán)重融合(weighted-fusion)層到網(wǎng)絡(luò),用來將側(cè)邊輸出層得到的預(yù)測(cè)結(jié)果連接到一起并且在訓(xùn)練過程中學(xué)習(xí)融合權(quán)重。然后HED網(wǎng)絡(luò)通過融合權(quán)重與側(cè)邊代價(jià)的和來對(duì)每個(gè)卷積核內(nèi)的參數(shù)與融合權(quán)重使用標(biāo)準(zhǔn)隨機(jī)梯度下降法來進(jìn)行迭代優(yōu)化[18],最終得到最后的邊緣輸出圖。圖2給出了使用HED網(wǎng)絡(luò)得到邊緣檢測(cè)輸出結(jié)果。通過HED網(wǎng)絡(luò)進(jìn)行邊緣檢測(cè)得到的邊緣圖實(shí)際上是一個(gè)概率圖,在原始算法中會(huì)將標(biāo)準(zhǔn)的非極大值抑制的方法來進(jìn)行處理得到更加細(xì)化邊緣。但是,非極大值抑制方法的使用會(huì)導(dǎo)致結(jié)果中出現(xiàn)毛刺現(xiàn)象,在這里,對(duì)于HED網(wǎng)絡(luò)得出的邊緣概率圖,我們使用最大類間方差(Otsu)算法來做下一步的處理,使其二值化為更容易進(jìn)行處理的邊緣結(jié)果。
步驟7:執(zhí)行RMD和MPM過程,若候選模式中存在Planar或DC模式,且MPM中有DC模式,跳過DMM模式,且只對(duì)Planar或者DC模式進(jìn)行率失真代價(jià)的計(jì)算,找出最優(yōu)模式。否則,同樣跳過DMM模式,并且對(duì)候選模式列表中的一切候選模式進(jìn)行全率失真代價(jià)的計(jì)算,找到最優(yōu)模式。4 實(shí)驗(yàn)結(jié)果與討論
【參考文獻(xiàn)】:
期刊論文
[1]一種改進(jìn)的HED網(wǎng)絡(luò)及其在邊緣檢測(cè)中的應(yīng)用[J]. 焦安波,何淼,羅海波. 紅外技術(shù). 2019(01)
本文編號(hào):3229227
本文鏈接:http://sikaile.net/kejilunwen/wltx/3229227.html
最近更新
教材專著