.png){kind=icon}
返回
A Fast Coding Unit Partitioning Decision Algorithm for Versatile Video Coding Based on Gradient Feedback Hierarchical Convolutional Neural Network and Light Gradient Boosting Machine Decision Tree
.png){kind=icon}
OA
AI
DOI：10.3390/electronics13244908.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
视频编码技术是现代技术应用发展的重要基础组件。最新的通用视频编码标准H.266/VVC采用了具有嵌套多类型树（QTMT）分割结构的四叉树，相较于其前代标准High-Efficiency Video Coding（H.265/HEVC）有所改进。该配置促进了自适应块分割，但代价是编码复杂度提高。鉴于此，本文提出了一种基于深度学习的方法以促进CU分割，旨在替代Versatile Video Coding Test Model（VTM）中复杂的CU分割过程。我们首先介绍了基于ResNet架构的先进卷积神经网络模型——梯度反馈层级卷积神经网络（GFH-CNN），用于从64×64编码单元（CU）块中提取特征。随后，构建了层级网络图（HND）来描绘CU块分层结构各层级对应的分割边界。该图将GFH-CNN模型提取的特征映射到各层级及边界的分割上。最后，构建了基于LightGBM的决策树分类模型（L-DT），以根据GFH-CNN模型的预测向量输出预测对应的分割结构。随后，根据VTM指定的编码约束对分割结果中的错误进行修正，最终确定CU块的分割方案。实验结果表明，与VTM-10.0相比，在top-three配置下，所提算法在复杂度上降低了48.14%，同时码率仅增加0.83%，该增幅可忽略不计。相比之下，top-two配置的复杂度降低幅度更高，达到63.78%，但伴随2.08%的码率增加。这些结果证明，相较于现有方案，本文方法在编码效率与计算复杂度之间提供了更优的平衡。
Keyword:
CNN
VVC
DT
期刊
IF:
2.6
论文数:
1.0W
被引数:
4.7W
机构
暂无机构信息
引用论文
.png){kind=icon}
A Fast Algorithm for VVC Intra Coding Based on the Most Probable Partition Pattern List基于最可能分区模式列表的VVC帧内编码快速算法OAAI
OAAI分享收藏Fast Block Size Decision for HEVC Encoders with On-the-Fly Trained ClassifiersHEVC编码器中基于即时训练分类器的快速块尺寸决策
PREAI
分享收藏分享收藏
查看更多内容