抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
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。【JST・京大機械翻訳】