典型文献
基于卷积神经网络的虚拟现实视频帧内预测编码
文献摘要：
为了提高虚拟现实视频帧内预测编码的性能,采用卷积神经网络算法进行视频帧编码单元(Coding Unit,CU)选择,从而降低视频图像编码复杂度.首先设置量化参数,获取虚拟现实视频帧样本,接着构建图像编码树,然后建立卷积神经网络(Convolutional Neural Network,CNN)帧编码单元优化模型,将帧样本的图像亮度作为CNN的输入,结合图像率失真成本阈值,通过训练获得帧编码单元的优化结果.采用CNN训练优化,能够根据图像不同纹理度模块的帧内编码需求,获得不同深度的编码树(Coding Tree Unit,CTU)结构及合适数量的CU模块.实验结果表明,通过合理设置卷积核尺寸和量化参数,相比常用视频帧内预测编码算法,CNN算法能够获得更优的图像质量,在Balboa序列中的BD码率和编码时间分别为56483.76 kbps和3209.24 s.
文献关键词：
帧内编码;虚拟现实;卷积神经网络;编码单元;卷积核尺寸
中图分类号：
作者姓名：
刘月红;牛少华;神显豪
作者机构：
桂林理工大学信息科学与工程学院 广西桂林541004;北京理工大学机电学院 北京100081
文献出处：
引用格式：
[1]刘月红;牛少华;神显豪-.基于卷积神经网络的虚拟现实视频帧内预测编码)[J].计算机科学,2022(07):127-131
A类：
帧内预测编码,Balboa
B类：
虚拟现实视频,视频帧,神经网络算法,编码单元,Coding,Unit,CU,视频图像,图像编码,量化参数,建图,编码树,立卷,Convolutional,Neural,Network,图像亮度,失真,帧内编码,不同深度,Tree,CTU,合理设置,卷积核尺寸,常用视频,编码算法,图像质量,BD,码率,kbps
AB值：
0.314118
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
