10.16208/j.issn1000-7024.2023.04.008
基于深度学习帧内编码快速划分算法
为降低H.266/VVC(versatile video coding)帧内编码复杂度,提出一种基于纹理分类的卷积注意力机制神经网络CBAM-CNN(convolutional block attention module-convolution neural network)模型的快速帧内编码单元划分方法,替代嵌套多类型四叉树QTMT(quadtree with nested multi-type tree)的遍历搜索.综合考虑每个编码单元CU(codinguint)纹理特征,建立基于阈值的纹理分类模型,判断64×64的编码单元是否划分;设计并训练一种CBAM-CNN网络模型,预测32×32,16×16CU的划分结果.仿真结果表明,所提算法使帧内编码时间平均减少43.217%,编码比特率仅增加0.894%,有效降低了帧内预测的编码复杂度.
帧内预测、纹理复杂度、阈值分类、编码块划分、嵌套多类型四叉树划分、注意力机制、编码复杂度
44
TN919.81
国家自然科学基金61902239
2023-05-08(万方平台首次上网日期,不代表论文的发表时间)
共7页
1014-1020