| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 视频转码的研究背景与意义 | 第10-11页 |
| 1.2 国内外研究现状与发展 | 第11-12页 |
| 1.3 主要研究成果 | 第12-13页 |
| 1.4 本文内容安排 | 第13-14页 |
| 第二章 视频转码基础知识 | 第14-26页 |
| 2.1 主要视频编码标准简介 | 第14-17页 |
| 2.1.1 MPEG-2编码标准 | 第14页 |
| 2.1.2 H.263编码标准 | 第14页 |
| 2.1.3 H.264编码标准 | 第14-15页 |
| 2.1.4 MPEG-2、H.263、H.264的异同 | 第15-17页 |
| 2.2 常见视频转码框架 | 第17-19页 |
| 2.2.1 像素域级联转码框架 | 第17-18页 |
| 2.2.2 开环转码框架 | 第18页 |
| 2.2.3 闭环转码框架 | 第18-19页 |
| 2.3 视频转码关键技术 | 第19-20页 |
| 2.3.1 宏块模式映射 | 第20页 |
| 2.3.2 运动矢量重建 | 第20页 |
| 2.3.3 已编码信息的再利用 | 第20页 |
| 2.4 快速视频转码方法 | 第20-23页 |
| 2.4.1 基于计算的视频转码方法 | 第20-21页 |
| 2.4.2 基于数据挖掘的视频转码方法 | 第21-22页 |
| 2.4.3 快速转码性能的评价标准 | 第22-23页 |
| 2.5 数据挖掘技术 | 第23-24页 |
| 2.5.1 数据挖掘简介 | 第23页 |
| 2.5.2 Weka学习工具 | 第23-24页 |
| 2.6 本章小结 | 第24-26页 |
| 第三章 基于机器学习的宏块模式判决及快速运动估计方法 | 第26-46页 |
| 3.1 新的视频转码框架 | 第26-27页 |
| 3.1.1 DM-IVT方法存在的问题 | 第26页 |
| 3.1.2 宏块模式判决及快速运动估计框架 | 第26-27页 |
| 3.2 改进的决策树模型 | 第27-32页 |
| 3.3 决策树模型的训练与应用 | 第32-39页 |
| 3.3.1 Jrip决策树模型的特征和分类 | 第33-34页 |
| 3.3.2 Jrip决策树的训练结果 | 第34-36页 |
| 3.3.3 快速宏块模式判决的转码结果分析 | 第36-39页 |
| 3.4 基于数据挖掘的快速运动估计方法 | 第39-43页 |
| 3.4.1 快速运动估计模型的特征 | 第39页 |
| 3.4.2 运动矢量分类 | 第39-40页 |
| 3.4.3 运动矢量分层分类器 | 第40-41页 |
| 3.4.4 运动矢量决策树的训练结果 | 第41-43页 |
| 3.5 宏块模式判决及快速运动估计的转码结果分析 | 第43-44页 |
| 3.6 本章小结 | 第44-46页 |
| 第四章 基于深度学习的视频转码方法 | 第46-66页 |
| 4.1 深度学习简介 | 第46-47页 |
| 4.2 深度学习模型的选择 | 第47-51页 |
| 4.2.1 卷积神经网络 | 第47-48页 |
| 4.2.2 受限波尔兹曼机 | 第48-49页 |
| 4.2.3 深度置信网络 | 第49-50页 |
| 4.2.4 CNN和DBN的比较 | 第50-51页 |
| 4.3 基于DBN网络的视频转码方法 | 第51-54页 |
| 4.3.1 分类DBN网络框架 | 第51-52页 |
| 4.3.2 DBN网络训练过程 | 第52-53页 |
| 4.3.3 DBN网络的数据集 | 第53-54页 |
| 4.4 网络参数设置实验 | 第54-59页 |
| 4.4.1 权值和偏置值的初始值 | 第55页 |
| 4.4.2 学习率的确定 | 第55-56页 |
| 4.4.3 隐层数、隐层节点数组合实验 | 第56-58页 |
| 4.4.4 参数优化 | 第58-59页 |
| 4.5 转码结果分析 | 第59-65页 |
| 4.6 本章小结 | 第65-66页 |
| 第五章 总结与展望 | 第66-68页 |
| 5.1 工作总结 | 第66页 |
| 5.2 工作展望 | 第66-68页 |
| 参考文献 | 第68-72页 |
| 致谢 | 第72-74页 |
| 攻读学位期间发表或已录用的学术论文 | 第74页 |