文献

J-GLOBAL ID：202102275669487239   整理番号：21A0068441

深層学習を用いた並列化レート歪最適化量子化【JST・京大機械翻訳】

Parallelized Rate-Distortion Optimized Quantization Using Deep Learning

著者 (5件)： Kianfar Dana (Qualcomm AI Research) ,  Wiggers Auke (Qualcomm AI Research) ,  Said Amir (Qualcomm AI Research) ,  Pourreza Reza (Qualcomm AI Research) ,  Cohen Taco (Qualcomm AI Research)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： MMSP  ページ： 1-6  発行年： 2020年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 速度決定最適化量子化(RDOQ)は,H.264/AVC,H.265/HEVC,VP9およびAV1のような最近のビデオ圧縮規格の符号化性能において重要な役割を果たす。このスキームは,歪みの比較的小さな増加を犠牲にしてビットレートを大幅に削減する。典型的には,RDOQアルゴリズムは,それらの逐次性質のためにリアルタイムハードウェア符号器に実装するのに高価であり,エントロピー符号化コストを頻繁に取得する必要がある。本研究は,オフライン教師付き訓練中のトレードオフ率と歪みを学習するニューラルネットワークベースアプローチを用いたこの限界を扱う。これらのネットワークが,既存のニューラルネットワークハードウェア上で実行できる標準演算のみに基づいているので,専用RDOQ回路に対して追加の領域オンチップを必要としない。ニューラルネットワークの2つのクラス,完全畳込みネットワークと自己回帰ネットワークを訓練し,スカラー量子化(SQ)のような安価な量子化スキームを精密化するように設計されたポスト量子化ステップとしてそれぞれ評価した。両方のネットワークアーキテクチャは,低い計算オーバヘッドを持つように設計した。訓練後,それらをHEVCのHM 16.20実装に統合し,それらのビデオ符号化性能をH.266/VVC SDR共通試験シーケンスの部分集合で評価した。HM16.20におけるRDOQとSQ実装との比較を行った。著者らの方法は,HM SQアンカーと比較して,光度に関して1.64%のBDレート節約を達成して,平均で,反復HM RDOQアルゴリズムの性能の45%に達した。Copyright 2021 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  *最適化 ,  畳込み ,  *量子化 ,  規格 ,  ネットワーク ,  ニューラルネットワーク ,  演算 ,  符号器 ,  スカラー ,  ネットワークアーキテクチャ
準シソーラス用語： ビットレート ,  オンチップ ,  ビデオ符号化 ,  オーバヘッド , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (5件)： 深層学習 ,  並列化 ,  レート歪 ,  最適化 ,  量子化