深度学习在视频帧间补偿中的研究与应用

发布时间：2021-04-20 02:50

　　视频数据在网络传送中,由于网络线路的延迟、拥堵可能出现丢失数据包,导致接收端解码出的视频画面质量很差。本文对此问题进行了深入研究,设计了基于深度学习的视频帧间补偿算法:一种无监督视频图像重建神经网络模型。本模型基于对整个视频内容结构细节的理解,重建出视频帧中缺失部分,通过实验可以发现本文设计的深度卷积神经网络模型与基于样本插值的算法相比在视频帧间补偿中有着较好的效果。本文主要内容如下:1、论文研究融合通信的发展、前景和各种应用场景,研究现在通信系统对网络视频传输的强烈需求,对网络视频超分辨率重建与机器学习结合的优势进行了研究与分析。2、对深度学习相关原理、常用模型、卷积神经网络等进行研究,结合深度学习理论对当前流行的深度学习开源框架TensorFlow的底层原理进行研究。基于深度学习改进了图像识别算法,并将改进算法与其他图像识别算法,进行实验对比。结果证明改进算法提高了图像识别的精度。3、对视频编解码进行研究,给出了在当前视频编码的颇为重要的两个原因:第一,现在视频文件一般都比较大,需要大量存储空间来保存生活中各种视频文件。其次,由于视频文件比较大,在网络传输中视频数据占用了大多数带宽... 

【文章来源】：中国科学院大学(中国科学院沈阳计算技术研究所)辽宁省

【文章页数】：80 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第1章 绪论
    1.1 课题研究的背景及意义
    1.2 课题在国内外的发展现状与趋势
    1.3 论文的研究内容及目标
    1.4 论文组织结构
    1.5 本章小结
第2章 融合通信系统概述
    2.1 融合通信简介
    2.2 融合通信系统概述
        2.2.1 系统架构
        2.2.2 应用场景
        2.2.3 存在的问题
    2.3 图像重建与深度学习结合
    2.4 本章小结
第3章 深度学习与图像识别的研究
    3.1 神经网络
        3.1.1 神经元模型
        3.1.2 网络结构
        3.1.3 卷积神经网络
        3.1.4 TensorFlow深度学习框架
    3.2 图像识别算法改进
        3.2.1 卷积层
        3.2.2 激活函数层
        3.2.3 池化层
        3.2.4 全连接层
    3.3 实验结果与分析
        3.3.1 实验环境配置
        3.3.2 基于MNISTS数据集实验与分析
        3.3.3 基于CIFAR-10数据集实验与分析
    3.4 本章小结
第4章 视频的编解码技术研究
    4.1 视频编解码
        4.1.1 视频编解码的概述
        4.1.2 H.264视频编解码的基本原理
    4.2 基于深度学习的视频单帧重建算法
        4.2.1 卷积处理视频帧
        4.2.2 视频帧重建
        4.2.3 计算损失
    4.3 实验结果与分析
        4.3.1 实验环境配置
        4.3.2 训练模型
        4.3.3 实验结果
        4.3.4 结果对比与分析
    4.5 本章小结
第5章 神经网络在视频帧间补偿中的应用
    5.1 视频帧间补偿处理框架
    5.2 视频预处理
    5.3 视频帧运动补偿的卷积神经网络实现
        5.3.1 特征提取模块
        5.3.2 视频帧运动补偿
        5.3.3 损失函数
    5.4 实验结果与分析
        5.4.1 实验环境配置
        5.4.2 训练卷积神经网络模型
        5.4.3 实验结果
        5.4.4 结果对比与分析
    5.5 本章小结
第6章 结论与展望
参考文献
致谢
作者简历及攻读学位期间发表的学术论文与研究成果



本文编号：3148829