【技术实现步骤摘要】
一种基于深度神经网络的信号处理方法
本专利技术涉及涉及视频压缩领域,具体涉及一种结合光流信息与深度信息进行帧预测的视频压缩方法。
技术介绍
图像/视频编码通常是指将图像/视频压缩成二进制代码以便于存储和传输的计算技术。压缩根据能否保证图像/视频从比特完美地重建分为无损编码和有损编码。对于自然图像/视频,无损编码的压缩效率通常低于要求,因此大部分工作都集中在有损编码上。有损图像/视频编码解决方案主要从两个方面进行评估:一是压缩效率,通常用比特数(编码速率)来衡量,越低越好;其次是产生的损失,通常用重构图像/视频的质量来衡量,与原始图像/视频相比,质量越高越好。图像/视频编码是计算机图像处理、计算机视觉和视觉通信的基础和实现技术。在过去的三十年中,已经制定了一系列关于图像/视频编码的标准。如JPEG、JPEG2000、H.264,H.265,等等。目前,H.265/HEVC于2013年正式出版,代表了最先进的图像/视频编码技术。目前,视频已经占据了互联网接近80%的流量,而这数字预计仍会继续上升。另一方面,随着视频技术的进步,特别是超高清视频的普及,也迫切需要进一步提高压缩效率,在有限的存储和有限的传输带宽下适应超高清视频。因此,HEVC、MPEG和VCEG组成联合视频专家团队(JointVideoExpertsTeam,JVET),探索先进的视频编码技术,并开发联合探索模型(JointExplorationModel,JEM)进行研究。此外,自2018年以来,JVET团队一直致力于开发一种新的视频编码标 ...
【技术保护点】
1.一种基于深度神经网络的信号处理方法,其特征在于,利用神经网络的非线性表达能力和联合训练,构建一个端到端的视频压缩框架,包括如下步骤:/nS1,收集和整理公开的高清视频数据集,构建神经网络训练集和测试集;/nS2,对于待压缩视频,计算前后两帧间的均方差,并根据阈值将帧分为关键帧和非关键帧;/n对于关键帧,采用帧内预测;/n对于非关键帧,则采用帧间预测;/nS3,构建和训练两个网络模型分别用于关键帧和非关键帧的压缩;/n对于关键帧:构建用于图像压缩的自编码器和基于上下文的熵模型和超先验网络对其进行压缩传输;构建自编码器输入端对帧进行特征提取编码传输到输出端,在输出端根据提取的信息解码恢复图像;构建上下文和超先验网络分别利用帧内的上下文与超先验信息来估计编码的比特率;/n对于非关键帧:构建光流网络和深度网络进行帧间预测,估计前一帧与当前帧之间的运动信息,并通过将前一帧像素搬移得到当前帧,并计算其与真实的当前帧之间的残差;光流与深度信息及残差信息都用结合超先验的熵模型卷积神经网络自编码器进行传输和码率估计;/nS4,对于步骤S3中的网络,分别采用率失真优化的训练策略进行端到端的联合训练,采 ...
【技术特征摘要】
1.一种基于深度神经网络的信号处理方法,其特征在于,利用神经网络的非线性表达能力和联合训练,构建一个端到端的视频压缩框架,包括如下步骤:
S1,收集和整理公开的高清视频数据集,构建神经网络训练集和测试集;
S2,对于待压缩视频,计算前后两帧间的均方差,并根据阈值将帧分为关键帧和非关键帧;
对于关键帧,采用帧内预测;
对于非关键帧,则采用帧间预测;
S3,构建和训练两个网络模型分别用于关键帧和非关键帧的压缩;
对于关键帧:构建用于图像压缩的自编码器和基于上下文的熵模型和超先验网络对其进行压缩传输;构建自编码器输入端对帧进行特征提取编码传输到输出端,在输出端根据提取的信息解码恢复图像;构建上下文和超先验网络分别利用帧内的上下文与超先验信息来估计编码的比特率;
对于非关键帧:构建光流网络和深度网络进行帧间预测,估计前一帧与当前帧之间的运动信息,并通过将前一帧像素搬移得到当前帧,并计算其与真实的当前帧之间的残差;光流与深度信息及残差信息都用结合超先验的熵模型卷积神经网络自编码器进行传输和码率估计;
S4,对于步骤S3中的网络,分别采用率失真优化的训练策略进行端到端的联合训练,采用率即编码特征图所需的比特率,失真即重建帧与真实的当前帧之间的均方差。
2.根据权利要求1所述的基于深度神经网络的信号处理方法,其特征在于,步骤S1中,训练集采用viemo90K。
3.根据权利要求1所述的基于深度神经网络的信号处理方法,其特征在于,步骤S1中,测试集采用HEVC标准测试序列:ClassA、ClassB、ClassC、ClassD和ClassE。
4.根据权利要求1所述的基于深度神经网络的信号处理方法,其特征在于,步骤S3中,光流网络采用SpyNet。
5.根据权利要求1所述的基于深度神经网络的信号处理方法,其特征在于,步骤S3中,深度网络采用MegaDepth;采用InternetSFM+MVS数据来解决单点深度估计问题;首先,...
【专利技术属性】
技术研发人员:侯兴松,李瑞敏,
申请(专利权)人:苏州天必佑科技有限公司,
类型:发明
国别省市:江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。