視頻數(shù)據(jù)在網(wǎng)絡(luò)傳送中,由于網(wǎng)絡(luò)線路的延遲、擁堵可能出現(xiàn)丟失數(shù)據(jù)包,導(dǎo)致接收端解碼出的視頻畫面質(zhì)量很差。本文對此問題進行了深入研究,設(shè)計了基于深度學(xué)習(xí)的視頻幀間補償算法:一種無監(jiān)督視頻圖像重建神經(jīng)網(wǎng)絡(luò)模型。本模型基于對整個視頻內(nèi)容結(jié)構(gòu)細節(jié)的理解,重建出視頻幀中缺失部分,通過實驗可以發(fā)現(xiàn)本文設(shè)計的深度卷積神經(jīng)網(wǎng)絡(luò)模型與基于樣本插值的算法相比在視頻幀間補償中有著較好的效果。本文主要內(nèi)容如下:1、論文研究融合通信的發(fā)展、前景和各種應(yīng)用場景,研究現(xiàn)在通信系統(tǒng)對網(wǎng)絡(luò)視頻傳輸?shù)膹娏倚枨?對網(wǎng)絡(luò)視頻超分辨率重建與機器學(xué)習(xí)結(jié)合的優(yōu)勢進行了研究與分析。2、對深度學(xué)習(xí)相關(guān)原理、常用模型、卷積神經(jīng)網(wǎng)絡(luò)等進行研究,結(jié)合深度學(xué)習(xí)理論對當(dāng)前流行的深度學(xué)習(xí)開源框架TensorFlow的底層原理進行研究�；谏疃葘W(xué)習(xí)改進了圖像識別算法,并將改進算法與其他圖像識別算法,進行實驗對比。結(jié)果證明改進算法提高了圖像識別的精度。3、對視頻編解碼進行研究,給出了在當(dāng)前視頻編碼的頗為重要的兩個原因:第一,現(xiàn)在視頻文件一般都比較大,需要大量存儲空間來保存生活中各種視頻文件。其次,由于視頻文件比較大,在網(wǎng)絡(luò)傳輸中視頻數(shù)據(jù)占用了大多數(shù)帶寬... 

【文章來源】：中國科學(xué)院大學(xué)(中國科學(xué)院沈陽計算技術(shù)研究所)遼寧省

【文章頁數(shù)】：80 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 課題研究的背景及意義
    1.2 課題在國內(nèi)外的發(fā)展現(xiàn)狀與趨勢
    1.3 論文的研究內(nèi)容及目標(biāo)
    1.4 論文組織結(jié)構(gòu)
    1.5 本章小結(jié)
第2章 融合通信系統(tǒng)概述
    2.1 融合通信簡介
    2.2 融合通信系統(tǒng)概述
        2.2.1 系統(tǒng)架構(gòu)
        2.2.2 應(yīng)用場景
        2.2.3 存在的問題
    2.3 圖像重建與深度學(xué)習(xí)結(jié)合
    2.4 本章小結(jié)
第3章 深度學(xué)習(xí)與圖像識別的研究
    3.1 神經(jīng)網(wǎng)絡(luò)
        3.1.1 神經(jīng)元模型
        3.1.2 網(wǎng)絡(luò)結(jié)構(gòu)
        3.1.3 卷積神經(jīng)網(wǎng)絡(luò)
        3.1.4 TensorFlow深度學(xué)習(xí)框架
    3.2 圖像識別算法改進
        3.2.1 卷積層
        3.2.2 激活函數(shù)層
        3.2.3 池化層
        3.2.4 全連接層
    3.3 實驗結(jié)果與分析
        3.3.1 實驗環(huán)境配置
        3.3.2 基于MNISTS數(shù)據(jù)集實驗與分析
        3.3.3 基于CIFAR-10數(shù)據(jù)集實驗與分析
    3.4 本章小結(jié)
第4章 視頻的編解碼技術(shù)研究
    4.1 視頻編解碼
        4.1.1 視頻編解碼的概述
        4.1.2 H.264視頻編解碼的基本原理
    4.2 基于深度學(xué)習(xí)的視頻單幀重建算法
        4.2.1 卷積處理視頻幀
        4.2.2 視頻幀重建
        4.2.3 計算損失
    4.3 實驗結(jié)果與分析
        4.3.1 實驗環(huán)境配置
        4.3.2 訓(xùn)練模型
        4.3.3 實驗結(jié)果
        4.3.4 結(jié)果對比與分析
    4.5 本章小結(jié)
第5章 神經(jīng)網(wǎng)絡(luò)在視頻幀間補償中的應(yīng)用
    5.1 視頻幀間補償處理框架
    5.2 視頻預(yù)處理
    5.3 視頻幀運動補償?shù)木矸e神經(jīng)網(wǎng)絡(luò)實現(xiàn)
        5.3.1 特征提取模塊
        5.3.2 視頻幀運動補償
        5.3.3 損失函數(shù)
    5.4 實驗結(jié)果與分析
        5.4.1 實驗環(huán)境配置
        5.4.2 訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型
        5.4.3 實驗結(jié)果
        5.4.4 結(jié)果對比與分析
    5.5 本章小結(jié)
第6章 結(jié)論與展望
參考文獻
致謝
作者簡歷及攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文與研究成果



本文編號：3148829