神经网络后处理：A Convolutional Neural Network Approach for Post-Processing in HEVC Intra Coding

最新推荐文章于 2022-03-29 23:16:40 发布
VIP文章 最新推荐文章于 2022-03-29 23:16:40 发布
阅读量3.1k 收藏 8
点赞数 1
分类专栏： 论文阅读 文章标签： VRCNN 后处理
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/shayashi/article/details/86606106
版权

AR-CNN（Artifact reduction）

：只适用于JPEG压缩
四层全卷积层，没有pooling和全连接层，输入和输出是相同size。网络结构如下：
AR-CNN1
g()是非线性mapping函数，在AR-CNN中是ReLU函数，即 g ( x ) = m a x ( 0 , x ) g(x)=max\left ( 0,x \right ) g(x)=

最低0.47元/天 解锁文章
shayashi
关注
  • 1
    点赞
  • 踩
  • 8
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
专栏目录
神经网络后处理：A PRACTICAL CONVOLUTIONAL NEURAL NETWORK AS LOOP FILTER FOR INTRA FRAME
shayashi的博客
01-23 1214
A Practical Convolutional Neutral Network As Loop Filter for Intra Frame 以往的视频编码后处理的神经网络模型在实际应用中存在问题：一是：使用不同QP的编码帧使用不同的模型，硬件上贵。二是：在不同平台上的编解码端的CNN的浮点运算可能导致不连续性。三是：CNN模型有冗余，消耗资源。 所以作者提出的网络旨在单个，低冗余，并且适应不...
Image Super-Resolution Using Deep Convolutional Networks code
11-04
Image Super-Resolution Using Deep Convolutional Networks code
PCS2021：基于CNN的后处理进行质量增强
热门推荐
Dillon2015的博客
10-27 2万+
本文来自PCS2021论文《Model Selection CNN-based VVC Quality Enhancement》 论文提出了适用于VVC的基于CNN的后处理方法来进行质量增强（QE），并且在编码端提供了多个训练好的模型，可以在帧级和块级使用模型选择（MS）策略选择最优的模型，并传到解码端。基于CNN的后处理方法在RA配置下BD-Rate增益为1.3%，加上MS策略又可以获得0.5%的BD-Rate增益。 质量增强算法 编码信息 时域、空域特征和带宽限制等能反映信号的特点，因此在论
压缩伪影的探讨
qq_42567607的博客
03-29 5234
什么是块效应：块效应是在视频编码中人眼察觉到的小块边界处的不连续，只要是以块为单位进行的视频编码就会出现块效应，当以低码率传输时更为明显。 为什么会造成块效应：DCT变换不是将一整张图进行dct变换，而是切成16X16,8X8,4X4的块进行变换，不同的图像块进行了不同的处理，有时是量化步长不同，有时是舍去的高频分量不同，这将导致图像块之间的相关性被破坏。当量化时采用的步长越大，或者相邻块的量化步长之差不同时更为明显（低码率时往往量化步长比较大，块效应更明显）。 表现形式： 梯形噪声：dct的高频系数被
CTPN论文翻译——中英文对照
SnailTyan
03-07 9836
文章作者：Tyan 博客：noahsnail.com  |  CSDN  |  简书 声明：作者翻译论文仅为学习，如有侵权请联系作者删除博文，谢谢！ 翻译论文汇总：https://github.com/SnailTyan/deep-learning-papers-translation Detecting Text in Natural Image ...
（转）The Neural Network Zoo
a1424262219的博客
01-04 343
转自：http://www.asimovinstitute.org/neural-network-zoo/ THE NEURAL NETWORK ZOO POSTED ONSEPTEMBER 14, 2016BYFJODOR VAN VEEN With new neural networkarchitectures...
深度学习之视频图像压缩
VioletHan7的博客
09-11 4716
2018年6月14日，图鸭与论智联合举办了一场线上公开课深度学习之视频图像压缩。讲师为周雷博士，图鸭科技深度学习算法研究员。以下为论智整理的听课笔记。因水平有限，难免有错漏不当之处，仅供参考。 传统图像与视频压缩技术 首先，我们简单回顾下传统图像与视频压缩技术。 JPEG 以下为JPEG编解码流程示意图。 从上图我们可以看到，图像数据编码过程如下： 离散余弦变换。简单来说，离...
面向视频编解码后处理的深度学习方法进展
BigDream123的博客
01-22 1885
1 背景介绍 视频以及图像的有损压缩算法会造成较为严重的失真以及效应，比如，基于块的编码策略将会引起块效应；高频分量的缺失会造成压缩后的图像会更加模糊，还有振铃效应，颜色偏移等等。特别是在编码是在较差的编码配置下（低比特率）尤为明显。这些效应会严重降低用户体验，所以如何去除这些效应或者削弱这些效应的影响也就成为一个重要的问题。 在新一代视频编码标准HEVC（High Efficiency Video Coding）中，采用两种环路滤波的方案来削弱这些效应：去块滤波器以及SAO（样点自适应补偿）。从名字上
A Convolutional Neural Network Approach for Half-Pel Interpolation in Video Coding一视频编码中半像素插值的卷积神经网络
澍yeah的博客
08-16 834
摘要 - 运动补偿是视频编码中的基本技术，用于消除视频帧之间的时间冗余。为了进一步提高编码效率，已经使用了子像素运动补偿，其需要对分数样本进行插值。视频编码标准通常采用源自信号处理理论的固定插值滤波器。然而，由于视频信号不是静止的，固定插值滤波器可能效率较低。受计算机视觉中卷积神经网络（CNN）的巨大成功启发，我们提出设计一种用于视频编码的基于CNN的插值滤波器（CNNIF）。与以前的研究不同，训...
HEVC：函数xEstimateInterResidualQT()流程
Moomin的博客
03-21 970
Void TEncSearch::xEstimateInterResidualQT( TComYuv *pcResi,Double &rdCost,UInt &ruiBits,Distortion &ruiDist,Distortion *puiZeroDist, TComTU &rTu DEBUG_STRING_FN_DECLARE(sDebug) ) { ...
reshade-shaders, 为ReShade编写的后处理着色程序的集合.zip
10-10
reshade-shaders, 为ReShade编写的后处理着色程序的集合 ReShade FX这个存储库旨在收集用 ReShade FX明暗器语言编写的后置处理。安装下载这里存储库将下载的存档文件解压缩到某处开始游戏，打开游戏菜单中的ReShade，然后在"设置"选项卡中打开 switch将 ex
点云 目标识别voxnet:A 3D Convolutional Neural Network for Real-Time Object Recognition
02-10
点云 深度学习 目标识别 论文 点云 深度学习 目标识别 论文
A-New-Convolutional-Neural-Network-Based-Data-Driven-Fault-Diagnosis-Method:基于CNN的机械科学论文的TensorFlow实现
05-18
一种新的基于卷积神经网络的数据驱动故障诊断方法本文提出了一种基于LeNet-5的新型CNN进行故障诊断。 通过将信号转换为二维（2-D）图像的转换方法，该方法可以提取转换后的二维图像的特征，并消除手工特征的影响。 ...
A Convolutional Neural Network based Single-frame Super-Resolution for Lensless Blood Cell Counting
02-07
This paper presents one Convolutional Neural Network based single-frame Super-Resolution processing (CNNSR) for lensless blood cell counting, which takes one single low-resolution cell shadow image as...
Learn-Convolutional-Neural-Network-for-Face-Anti-Spoofing:“学习用于面部反欺骗的卷积神经网络”论文的实现
05-01
学习卷积神经网络的面部反欺骗 “”论文的实现 结果 CASIA内测 原始数据集：或（密码：h5un） 规模 1.0 1.4 1.8 2.2 2.6 吝啬的 开发EER 0.1094 0.0408 0.0346 0.0339 0.0670 0.0571 测试HTER 0.1033 ...
基于三维牙齿网格的卷积神经网络边缘检测_A convolutional neural network for teeth mar
01-25
基于三维牙齿网格的卷积神经网络边缘检测_A convolutional neural network for teeth margin detection on 3-dimensional dental meshes.pdf
VGG
shayashi的博客
01-16 2458
Very Deep Convolutional Networks For Large-Scale Image Recogntion 一、摘要 VGG的主要贡献是表明：通过增加网络深度并且使用非常小的卷积核对网络效果有很大的改善。 二、简介 通过增加深度和使用小卷积核搭建的网络不仅在ILSVRC数据集上表现好，同样也使适用其它数据集。 三、ConvNet结构 这一节详细描述了ConvNet的网络结构...
神经网络后处理：A New HEVC In-Loop Filter Based on Multi-channel Long-Short-term Dependency Residual Network
shayashi的博客
01-23 794
A New HEVC In-Loop Filter Based on Multi-channel Long-Short-term Dependency Residual Networks 基于MLSDRN（multi-channel long-short-term dependency residual network）提出的HEVC环内滤波。作者提出MLSDRN解决以往神经网络实现后处理的两个问...
active learning for convolutional neural networks: a core-set approach
最新发布
11-11
主动学习对于卷积神经网络的核心集方法是一种重要的优化技术。卷积神经网络是一种用于图像和视频处理的深度学习模型，它具有很强的特征提取和分类能力。然而，使用传统的训练方法来训练卷积神经网络需要大量的标记数据，而这些数据的标记通常由人工专家完成，费时费力且容易出错。 核心集方法是一种主动学习策略，旨在有效利用有限的标记数据。它通过选择一小部分最具代表性的样本构建核心集，然后利用这些样本进行训练和优化模型。在训练过程中，核心集方法会根据当前模型的不确定性选择性地请求一些标记样本进行标记，以进一步优化模型。 使用核心集方法的主动学习对于训练卷积神经网络具有多个优点。首先，它可以大大减少标记数据的需求量。相比于传统的批量训练方法，只需标记极少量的样本，就能达到较好的分类性能。其次，核心集方法能够自适应地选择样本，从而使训练数据更具代表性，提高模型的泛化能力。 核心集方法还能够通过选择具有较高不确定性的样本，自动地识别出难以分类或易混淆的样本，从而提高了训练的效果。此外，主动学习可以应用于在线学习任务中以及在标记数据有限的情况下，进一步提高卷积神经网络的应用范围和性能。 综上所述，主动学习的核心集方法是一种有效的优化技术，可以在卷积神经网络的训练过程中减少标记数据的需求量，并提高模型的泛化能力和分类性能。它为卷积神经网络的应用提供了更多的可能性，并在图像和视频处理领域具有重要的实际应用价值。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值