基于深度学习的视频去块效应算法研究

发布时间：2021-01-19 11:15

　　随着信息技术的发展和深度学习技术的广泛应用,人们对于更高质量的多媒体内容的需求不断加强,因此对于更低的带宽需求及更加高效的视频内容编解码的技术研究一直是学术界和工业界的研究热点。近年来,深度学习技术在高层及低层计算机视觉任务中取得了巨大的成功,但是大部分任务都是基于时间无关的图像介质,对于时空相关的视频序列处理仍然有很大的研究价值。本文基于深度学习技术,主要介绍以下两个方面的研究工作:一、提出一种基于时序残差网络的视频后处理去块效应算法,创新性地利用视频内容的时序特征进行多尺度的内容增强,同时算法独立于编码器结构以易于使用。二、基于最新的神经网络压缩技术,系统化实现了基于SFP（Soft Filter Pruning）算法的网络剪枝及可视化。没有局限于参考图像去压缩噪声或去高斯噪声的网络结构,我们充分利用视频内容之间的时序特征,针对相邻帧之间的相似内容特征,我们提出一种由粗到细进行内容增强的视频去块效应框架。每层的网络结构参考ARN（Adaptive Residual Network）自适应残差网络结构,用前序层的网络进行粗粒度的噪声特征提取,之后将提取到的残差覆盖到下一帧待处理的视频... 

【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校

【文章页数】：64 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 课题研究背景及意义
    1.2 国内外研究背景及现状
        1.2.1 视频去块效应算法的研究现状
        1.2.2 网络模型压缩的研究现状
    1.3 论文内容及组织结构
第2章 深度学习基础及其在相关领域的应用
    2.1 卷积神经网络
        2.1.1 卷积神经网络的前向传播
        2.1.2 卷积神经网络的反向传播
    2.2 基于深度学习的视频去块效应技术
    2.3 基于深度学习的模型压缩技术
    2.4 本章小结
第3章 基于时序残差网络的视频去块效应算法
    3.1 时序残差网络框架
        3.1.1 TBRN网络基本结构
        3.1.2 TBRN网络优化策略
    3.2 学习算法
        3.2.1 时序提升算法
        3.2.2 损失函数
    3.3 自适应数据处理算法
    3.4 实验结果及分析
        3.4.1 实验数据和参数设置
        3.4.2 量化比较标准
        3.4.3 实验结果
    3.5 本章小结
第4章 基于滤波器剪枝的模型压缩技术
    4.1 软滤波器剪枝SFP算法
        4.1.1 基于SFP算法的剪枝框架
        4.1.2 计算复杂度分析
    4.2 滤波器可视化分析
    4.3 实验结果及分析
        4.3.1 实验数据和参数设置
        4.3.2 实验结果
    4.4 本章小结
结论
参考文献
攻读硕士学位期间发表的论文及其他成果
致谢



本文编号：2986884