摘要 | 第5-6页 |
abstract | 第6-7页 |
第一章 绪论 | 第11-16页 |
1.1 研究背景与意义 | 第11-12页 |
1.2 视频编码的国内外研究历史与现状 | 第12-13页 |
1.3 本文的主要贡献与创新 | 第13-14页 |
1.4 本论文的结构安排 | 第14-16页 |
第二章 视频编码基础 | 第16-27页 |
2.1 常用颜色空间介绍 | 第17-18页 |
2.2 高效视频编码流程 | 第18-19页 |
2.3 高效视频编码标准 | 第19-25页 |
2.3.1 编码单元 | 第19-20页 |
2.3.2 预测编码 | 第20-22页 |
2.3.2.1 帧内预测 | 第20-21页 |
2.3.2.2 帧间预测 | 第21-22页 |
2.3.2.3 PCM模式 | 第22页 |
2.3.3 变换编码 | 第22-24页 |
2.3.3.1 离散余弦变换 | 第23页 |
2.3.3.2 离散正弦变换 | 第23-24页 |
2.3.4 缩放和量化 | 第24页 |
2.3.5 环路后处理 | 第24页 |
2.3.6 熵编码 | 第24-25页 |
2.4 本章小结 | 第25-27页 |
第三章 视频编码标准中的后处理技术 | 第27-35页 |
3.1 引言 | 第27页 |
3.2 去块效应滤波算法 | 第27-31页 |
3.2.1 获取边界强度 | 第27-28页 |
3.2.2 滤波开关 | 第28-30页 |
3.2.3 滤波强度选择 | 第30-31页 |
3.2.4 滤波操作 | 第31页 |
3.3 像素自适应补偿算法(SAO) | 第31-33页 |
3.3.1 边界补偿 | 第32-33页 |
3.3.2 边带补偿 | 第33页 |
3.3.3 SAO参数融合 | 第33页 |
3.4 本章小结 | 第33-35页 |
第四章 卷积神经网络及其在视频编码中的应用 | 第35-49页 |
4.1 引言 | 第35页 |
4.2 卷积神经网络基础 | 第35-43页 |
4.2.1 卷积运算 | 第35-38页 |
4.2.2 池化操作 | 第38-40页 |
4.2.3 卷积和池化的组合 | 第40-41页 |
4.2.4 基于梯度下降的学习 | 第41-42页 |
4.2.5 损失函数 | 第42-43页 |
4.2.5.1 欧氏距离损失函数 | 第42页 |
4.2.5.2 SoftMax损失函数 | 第42-43页 |
4.2.5.3 交叉熵损失函数 | 第43页 |
4.2.5.4 其它损失函数 | 第43页 |
4.3 手写字符识别网络 | 第43-45页 |
4.4 基于CNN的快速HEVC帧内模式选择 | 第45页 |
4.5 超分辨率重建网络 | 第45-47页 |
4.6 卷积核和滤波的关系 | 第47-49页 |
第五章 去块效应滤波的卷积神经网络设计 | 第49-60页 |
5.1 HEVC标准预处理 | 第49页 |
5.2 卷积神经网络的设计 | 第49-53页 |
5.2.1 卷积层的设计 | 第50-52页 |
5.2.2 残差网络的设计 | 第52-53页 |
5.3 神经网络设计细节 | 第53-54页 |
5.4 损失函数和梯度下降 | 第54-55页 |
5.5 训练过程中的优化方法 | 第55页 |
5.5.1 批量规范化(Batch Normalization) | 第55页 |
5.5.2 修正线性单元(ReLU) | 第55页 |
5.6 防止过拟合 | 第55-58页 |
5.6.1 增加训练集样本数量 | 第56-57页 |
5.6.2 正则化项 | 第57页 |
5.6.3 Dropout层 | 第57-58页 |
5.7 网络加速算法 | 第58-59页 |
5.7.1 惯量 | 第58页 |
5.7.2 优化卷积运算 | 第58-59页 |
5.8 本章小结 | 第59-60页 |
第六章 实验结果分析 | 第60-67页 |
6.1 实验配置说明 | 第60-61页 |
6.2 训练过程分析 | 第61-62页 |
6.3 HEVC和神经网络的比较 | 第62-66页 |
6.4 本章小结 | 第66-67页 |
第七章 全文总结与展望 | 第67-69页 |
7.1 全文总结 | 第67页 |
7.2 后续工作展望 | 第67-69页 |
致谢 | 第69-70页 |
参考文献 | 第70-73页 |