基于深度学习的HEVC编码复杂度优化方法

TP391.4; 为降低高效率视频编码(HEVC)的计算复杂度,提出一种基于深度学习的复杂度优化方法.构建大规模编码单元(CU)划分数据库,为算法设计和神经网络训练提供数据基础;设计一种适用于HEVC的CU划分图模型,高效表征多个邻近CU的划分模式;在此基础上,提出一种基于稠密网络的分层卷积神经网络结构,准确预测HEVC中的三级CU划分结果.实验结果表明:该方法能够在保证编码效率前提下,平均节省 57%的编码时间,有效解决了HEVC编码复杂度过高的瓶颈....

Full description

Saved in:
Bibliographic Details
Published in辽宁工程技术大学学报（自然科学版） Vol. 43; no. 3; pp. 351 - 358
Main Authors 沈玉志, 金雪莹, 李天一
Format Journal Article
LanguageChinese
Published 辽宁工程技术大学 工商管理学院,辽宁 阜新 123000%北京航空航天大学 电子信息工程学院,北京 100191 01.06.2024
Subjects
high efficiency video coding
coding unit
DenseNet
deep learning
深度学习
高效率视频编码
complexity reduction
编码单元
稠密网络
复杂度优化
Online AccessGet full text
ISSN1008-0562
DOI10.11956/j.issn.1008-0562.20240126

Cover

More Information
Summary:TP391.4; 为降低高效率视频编码(HEVC)的计算复杂度,提出一种基于深度学习的复杂度优化方法.构建大规模编码单元(CU)划分数据库,为算法设计和神经网络训练提供数据基础;设计一种适用于HEVC的CU划分图模型,高效表征多个邻近CU的划分模式;在此基础上,提出一种基于稠密网络的分层卷积神经网络结构,准确预测HEVC中的三级CU划分结果.实验结果表明:该方法能够在保证编码效率前提下,平均节省 57%的编码时间,有效解决了HEVC编码复杂度过高的瓶颈.
ISSN:1008-0562
DOI:10.11956/j.issn.1008-0562.20240126