选择编码选项制造技术

本公开涉及选择编码选项，具体地，数据处理设备实施人工神经网络(300)以生成如下结果，该结果表示当使用编码方案来对数据元素集合进行编码时要使用的一个或多个编码选项。该数据处理设备可以提供在能够对数据元素集合进行编码的可能编码选项之间进行选择的有效方式。

Select encoding options

【技术实现步骤摘要】
选择编码选项
本专利技术涉及选择当使用编码方案来对数据元素集合进行编码时要使用的一个或多个编码选项。
技术介绍
常见的是，使用编码方案来对数据元素集合(诸如，代表图像或图形纹理的数据元素阵列)进行编码，例如，以便减小传输和/或储存数据所需要的带宽和/或储存的量。许多不同的编码方案可用于该目的。一些编码方案需要为要被编码的数据选择某些编码选项，例如，就随后被解码的数据的压缩比和/或质量而言，这些编码选项可以提供可接受的(例如，最佳的或者近似最佳的)编码。然后，当对数据进行编码时，可以使用所选编码选项。在要使用的编码选项之间进行选择的过程，通常是通过蛮力(bruteforce)和/或启发式地(例如，使用分支限界搜索)来执行。然而，该过程可能会消耗大量的处理资源和/或处理时间来完成。申请人认为，在选择当使用编码方案来对数据元素集合进行编码时要使用的一个或多个编码选项方面，仍具有改进的余地。
技术实现思路
根据本专利技术的方面，提供了一种用于选择当使用编码方案来对数据元素集合进行编码时要使用的一个或多个编码选项的方法，该方法包括如下步骤：向人工神经网络输入要使用编码方案进行编码的数据元素集合；以及实施人工神经网络以生成如下结果，该结果表示当使用编码方案来对数据元素集合进行编码时要使用的一个或多个编码选项。本专利技术的另一方面提供了一种数据处理设备，该数据处理设备用于选择当使用编码方案来对数据元素集合进行编码时要使用的一个或多个编码选项，该数据处理设备包括处理电路，该处理电路被配置为：向人工神经网络输入要使用编码方案进行编码的数据元素集合；以及实施人工神经网络以生成如下结果，该结果表示当使用编码方案来对数据元素集合进行编码时要使用的一个或多个编码选项。如上文所讨论的，申请人已经意识到，在许多编码方案中，为了对数据元素集合进行编码，必须选择一个或多个编码选项。例如，并且如将在下文更加详细地讨论的，在使得能够将数据元素划分为不同的数据元素子集或者“分区”以进行相应编码的编码方案中，通常有必要考虑使用对数据元素进行划分的大量不同的可能方式对数据元素进行编码的能力如何，并且然后选择可接受的(例如，最佳的或者近似最佳的)划分方式。在另一示例中，并且如将在下文更加详细地讨论的，在使得能够使用不同的插值模式(例如，使用一个或两个权值)对数据元素进行编码的编码方案中，通常有必要考虑每种插值模式，并且然后选择可接受的(例如，最佳的或者近似最佳的)插值模式以用于对数据元素进行编码。在又另一示例中，并且如将在下文更加详细地讨论的，在使得能够使用(例如，一对或多对)插值端点值对数据元素进行编码的编码方案中，通常有必要考虑大量(例如，多对)可能的插值端点值，并且然后选择可接受的(例如，最佳的或者近似最佳的)插值端点值以用于对数据元素进行编码。申请人已经进一步意识到，确定当将编码方案应用于数据元素集合时要使用的可接受的编码选项集合(例如，上文所讨论的一个或多个编码选项)，这可能是在计算上较昂贵的过程。申请人已经进一步认识到，可以使用并且例如合适地训练人工神经网络以表示要使用的一个或多个编码选项，并且此外，这种人工神经网络的使用可以显著地减小选择要使用的一个或多个编码选项所需要的处理时间和/或处理资源的量，而不会不利地影响(并且相反，在一些情况下会提高)所编码的和/或随后被解码的数据的质量。本文所公开的技术因此可以提供用于在能够用于对数据元素集合进行编码的可能编码选项之间进行选择的有效方式。在实施例中，然后可以输出要使用的一个或多个编码选项的表示以供将来使用，并且/或者然后可以使用一个或多个所表示的编码选项来对数据元素集合进行编码。因此，实施例可以包括：输入一个或多个编码选项的表示，以及/或者当使用编码方案来对数据元素集合进行编码时使用一个或多个所表示的编码选项。在实施例中，人工神经网络可以采取任何期望和合适的形式或者“网络拓扑结构”。例如，人工神经网络可以包括一个或多个全互连网络，一个或多个全互连网络包括一个或多个激活层，诸如，用于接收输入(例如，输入数据元素集合)的输入层、一个或多个中间或者“隐藏”层、以及用于提供结果(例如，要使用的一个或多个编码选项的表示)的输出层。一个(以及，例如，每个)激活层可以包括一个或多个(例如，复数)激活节点，每个激活节点应用激活函数(诸如，Sigmoid函数、线性修正单元(ReLU)函数或者扩展指数线性单元(SELU)函数)并且/或者应用偏差(bias)。激活层的一个或多个激活节点(例如，每个激活节点)可以通过相应互连部连接至另一(例如，下一)层的一个或多个节点(例如，每个激活节点)等。一个(例如，相应)权值可以应用至在互连部的输入侧提供的一个(以及，例如，每个)值，以便在互连部的输出侧产生加权值。一个或多个(例如，求和的和/或加权的和/或偏置的)值可以被提供作为应用在激活节点处的激活函数的输入。在实施例中，人工神经网络还可以或者相反可以包括卷积神经网络，例如，具有一个或多个卷积层(例如，每个卷积层应用一个或多个卷积操作以生成用于该层的输出)、一个或多个汇聚层(例如，每个汇聚层汇聚或者聚集输入值集合以生成用于该层的输出)、以及/或者一个或多个全互连网络(例如，包括如上文所讨的一个或多个激活层)。在实施例中，数据元素集合可以采取任何期望和合适的形式。例如，数据元素集合可以被提供作为数据元素阵列(例如，块)。数据元素阵列就数据元素而言，可以是任何期望和合适的大小/形状，诸如，矩形(包括方形)。在实施例中，数据元素可以分别代表一个或多个数据值，诸如，一个或多个图像或者图形数据值(颜色值、亮度值以及/或者透明度值)。因此，数据元素集合可以代表图像或图形纹理的全部或者一部分(例如，以便被输出用于储存和/或显示)。例如，数据元素可以与图像中的一个或多个像素或者图形纹理中的一个或多个纹素相对应，并且/或者图像中的像素或者图形纹理中的纹素可以由一个或多个数据元素表示。在实施例中，编码方案可以采取任何期望和合适的形式。例如，编码方案可以包括数据压缩方案。编码方案可以包括图像或图形纹理编码(压缩)方案。编码方案可以用于任何期望和合适的目的，例如，编码(压缩)图像或图形纹理的全部或者一部分(例如，以便被输出以用于储存和/或显示)。在实施例中，编码方案可以允许在不用解码所有经编码数据的情况下，从所产生的经编码数据获得所选经编码数据元素或者值。这些实施例可以允许所选经编码数据元素或者值与其它数据元素或者值分开被访问和/或处理。因此，这些实施例可以显著地减小所需要的处理资源的量，例如，当期望仅仅访问或者处理所选数据元素或者值时。在实施例中，编码方案可以允许大体上随机访问来自经编码数据的所选数据元素或者值。在实施例中，编码方案可以包括大体上并行的(或者大体上非相继的)编码方案，这些编码方案能够大体上并行地(或者大体上非相继地)对数据元素或者值进行编码。在实施例中，编码方案可以是基于块的。在这些实施例中，使用编码方案来对数据元素集合进行编码可以包括：将(例如，较大)数据元素集合或者阵列(例如，代表图像或图形纹理的全部或者一部分，诸如，经渲染图形输出(“图块”和/或“帧”))划分为多个数据元素块，并且然后使用编码方案单独地对多个数据元素块进本文档来自技高网...

【技术保护点】
1.一种用于选择当使用编码方案来对数据元素集合进行编码时要使用的一个或多个编码选项的方法，所述方法包括如下步骤：向人工神经网络输入要使用编码方案进行编码的数据元素集合；以及实施所述人工神经网络以生成如下结果，该结果表示当使用所述编码方案来对所述数据元素集合进行编码时要使用的一个或多个编码选项。

【技术特征摘要】
2018.01.13 US 15/870,9281.一种用于选择当使用编码方案来对数据元素集合进行编码时要使用的一个或多个编码选项的方法，所述方法包括如下步骤：向人工神经网络输入要使用编码方案进行编码的数据元素集合；以及实施所述人工神经网络以生成如下结果，该结果表示当使用所述编码方案来对所述数据元素集合进行编码时要使用的一个或多个编码选项。2.根据权利要求1所述的方法，所述方法进一步包括如下步骤：当对所述数据元素集合进行编码时，使用一个或多个所表示的编码选项。3.根据权利要求1或2所述的方法，其中：所述数据元素集合代表图像或图形纹理的全部或者一部分。4.根据权利要求1或2所述的方法，其中：所述编码方案包括图像或图形纹理编码方案。5.根据权利要求1或2所述的方法，其中：所述编码方案允许将所述数据元素集合划分为不同的数据元素子集，以进行相应编码。6.根据权利要求1或2所述的方法，其中，所述结果表示如下各项中的一个或多个：对所述数据元素集合进行划分以进行相应编码的划分方式；用于对所述数据元素集合进行编码的一种或多种插值模式；以及用于对所述数据元素集合进行编码的一个或多个插值端点值。7.根据权利要求1所述的方法，所述方法进一步包括如下步骤：训练所述人工神经网络，以便能够表示当使用所述编码方案来对数据元素集合进行编码时要使用的一个或多个编码选项，所述训练的步骤包括：针对多个数据元素训练集合中的每个特定数据元素训练集合进行如下操作：向所述人工神经网络输入所述特定数据元素训练集合；实施所述人工神经网络以生成如下结果，该结果表示当使用所述编码方案来对所述特定数据元素训练集合进行编码时要使用的一个或多个编码选项；以及基于该结果与所述特定数据元素训练集合的目标结果之间的差异，来确定所述特定数据元素训练集合的输出误差度量；以及修正所述人工神经网络，以便减小从所述多个数据元素训练集合的输出误差度量导出的核校后的输出误差度量。8.一种用于训练人工神经网络以便能够表示当使用编码方案来对数据元素集合进行编码时要使用的一个或多个编码选项的方法，所述训练的步骤包括：针对多个数据元素训练集合中的每个特定数据元素训练集合进行如下操作：向人工神经网络输入所述特定数据元素训练集合；实施所述人工神经网络以生成如下结果，该结果表示当使用编码方案来对所述特定数据元素训练集合进行编码时要使用的一个或多个编码选项；以及基于该结果与所述特定数据元素训练集合的目标结果之间的差异，来确定所述特定数据元素训练集合的输出误差度量；以及修正所述人工神经网络，以便减小从所述多个数据元素训练集合的输出误差度量导出的核校后的输出误差度量。9.根据权利要求7或8所述的方法，其中，所述训练的步骤进一步包括：基于在所述人工神经网络的中间层处生成的中间结果与所述特定数据元素训练集合的目标中间结果之间的差异，来确定所述特定数据元素训练集合的中间误差度量；以及修正所述人工神经网络，以便减小从所述多个数据元素训练集合的中间误差度量导出的核校后的中间误差度量。10.根据权利要求9所述的方法，其中：所述特定数据元素训练集合的目标中间结果表示：与所述特定数据元素训练集合的目标结果相对应的、对所述特定数据元素训练集合的目标划分。11.一种用于训练人工神经网络的方法，所述训练的步骤包括：针对多个训练输入中的每个特定训练输入进行如下操作：向人工神经网络输入所述特定训练输入；实施所述人工神经网络以生成结果；基于该结果与所述特定输入的目标结果之间的差异，来确定所述特定训练输入的输出误差度量；以及基于在所述人工神经网络的中间层处的中间结果与所述特定输入的目标中间结果之间的差异，来确定所述特定训练输入的中间误差度量；以及修正所述人工神经网络，以便减小从用于所述多个训练输入的输出误差度量导出的核校后的输出误差度量，并且以便减小从用于所述多个训练输入的中间误差度量导出的核校后的中间误差度量。12.一种用于选择当使用编码方案来对数据元素集合进行编码时要使用的一个或多个编码选项的数据处理设备，所述数据处理设备包括：输入电路，所述输入电路被配置为向人工神经网络输入要使用编码方案进行编码的数据元素集合；以及人...

【专利技术属性】
技术研发人员：S·普拉塔帕，H·夏尔马，T·J·奥尔森，A·E·查芬，
申请(专利权)人：Arm有限公司，
类型：发明
国别省市：英国,GB