CN110401836A - 一种图像解码、编码方法、装置及其设备 - Google Patents
一种图像解码、编码方法、装置及其设备 Download PDFInfo
- Publication number
- CN110401836A CN110401836A CN201810380105.2A CN201810380105A CN110401836A CN 110401836 A CN110401836 A CN 110401836A CN 201810380105 A CN201810380105 A CN 201810380105A CN 110401836 A CN110401836 A CN 110401836A
- Authority
- CN
- China
- Prior art keywords
- neural network
- index value
- bit stream
- decision
- network set
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
- G06T9/002—Image coding using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
- H04N19/134—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or criterion affecting or controlling the adaptive coding
- H04N19/146—Data rate or code amount at the encoder output
- H04N19/147—Data rate or code amount at the encoder output according to rate distortion criteria
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
- H04N19/169—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding
- H04N19/184—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding the unit being bits, e.g. of the compressed video stream
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本申请提供一种图像解码、编码方法、装置及其设备,该图像解码方法包括:获取编码比特流,所述编码比特流携带编码图像序列数据;获取神经网络决策信息,并从神经网络集合中选择与所述神经网络决策信息对应的神经网络;利用选择的神经网络对所述编码图像序列数据进行解码。通过本申请的技术方案,可以使编码性能较高、使解码性能较高。而且,解码端使用的神经网络与编码端使用的神经网络相同,从而可以对编码图像序列数据进行正确的解码。
Description
技术领域
本申请涉及视频编解码领域,尤其是涉及一种图像解码、编码方法、装置及其设备。
背景技术
神经网络(Neural Network,NN)是一种非程序化、类大脑风格的信息处理方式,神经网络的本质是:通过网络变换和动力学行为得到一种并行分布式的信息处理功能,并在不同程度和层次上模仿人脑神经***的信息处理功能。其中,神经网络是一种运算模型,其处理单元可以包括输入单元、输出单元和隐单元。输入单元用于接受外部的信号与数据,输出单元用于实现处理结果的输出,而隐单元是处在输入单元和输出单元之间、且不能由外部观察的单元。
由于神经网络能够在训练数据驱动下,自适应地构建特征描述,具有更高的灵活性和普适性,因此,神经网络在图像分类、目标检测、图像编码和图像解码等领域得到了广泛应用。其中,为了实现图像编码和图像解码,在编码端和解码端设置相同的神经网络,编码端使用该神经网络进行图像编码,解码端使用该神经网络进行图像解码,从而利用该神经网络实现图像编码和图像解码。
上述方式是使用固定的神经网络实现图像编码和图像解码,编码性能、解码性能可能较低。例如,在编码端和解码端设置神经网络A,而神经网络A可能并不适合进行图像编码和图像解码,因此,导致编码性能、解码性能较低。
发明内容
本申请提供了一种图像解码、编码方法、装置及其设备,可以提高编码性能,并可以提高解码性能。
本申请提供一种图像解码方法,应用于解码端,所述方法包括:
获取编码比特流,所述编码比特流携带编码图像序列数据;
获取神经网络决策信息,并从神经网络集合中选择与所述神经网络决策信息对应的神经网络;
利用选择的神经网络对所述编码图像序列数据进行解码。
本申请提供一种图像编码方法,应用于编码端,所述方法包括:
从神经网络集合选择神经网络;
利用选择的神经网络对图像序列数据进行编码,得到编码图像序列数据;
向解码端发送编码比特流,所述编码比特流携带所述编码图像序列数据。
本申请提供一种图像解码装置,应用于解码端,所述装置包括:
获取模块,用于获取编码比特流,所述编码比特流携带编码图像序列数据;
选择模块,用于获取神经网络决策信息,并从神经网络集合中选择与所述神经网络决策信息对应的神经网络;
解码模块,用于利用选择的神经网络对所述编码图像序列数据进行解码。
本申请提供一种图像编码装置,应用于编码端,所述装置包括:
选择模块,用于从神经网络集合中选择神经网络;
编码模块,用于利用选择的神经网络对图像序列数据进行编码,得到编码图像序列数据;
发送模块,用于向解码端发送编码比特流,所述编码比特流携带所述编码图像序列数据。
本申请提供一种解码端设备,处理器和机器可读存储介质,所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令;所述处理器用于执行机器可执行指令,以实现上述的图像解码方法。
本申请提供一种编码端设备,处理器和机器可读存储介质,所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令;所述处理器用于执行机器可执行指令,以实现上述的图像编码方法。
由以上技术方案可见,本申请实施例中,编码端可以从神经网络集合的多个神经网络中选择一个神经网络,并使用该神经网络对图像序列数据进行编码,而不是使用固定的神经网络对图像序列数据进行编码,从而使编码性能较高。解码端可以从神经网络集合的多个神经网络中选择一个神经网络,并使用该神经网络对编码图像序列数据进行解码,而不是使用固定的神经网络对编码图像序列数据进行解码,从而使解码性能较高。此外,解码端使用的神经网络与编码端使用的神经网络相同,从而可以对编码图像序列数据进行正确的解码。
附图说明
图1是本申请一种实施方式中的图像编码方法的流程图;
图2是本申请另一种实施方式中的图像编码方法的流程图;
图3是本申请一种实施方式中的图像解码方法的流程图;
图4是本申请另一种实施方式中的图像解码方法的流程图;
图5是本申请一种实施方式中的图像解码装置的结构图;
图6是本申请一种实施方式中的图像编码装置的结构图;
图7是本申请一种实施方式中的解码端设备的硬件结构图;
图8是本申请一种实施方式中的编码端设备的硬件结构图。
具体实施方式
在本申请实施例使用的术语仅仅是出于描述特定实施例的目的,而非限制本申请。本申请和权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其它含义。还应当理解,本文中使用的术语“和/或”是指包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本申请实施例可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本申请范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,此外,所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
本申请实施例提出一种图像编码方法、与该图像编码方法对应的图像解码方法。在编码端,可以设置神经网络集合,该神经网络集合可以包括至少一个神经网络;在对图像序列数据进行编码时,是从神经网络集合中选择一个神经网络,并利用选择的神经网络对图像序列数据进行编码,而不是使用固定的神经网络对图像序列数据进行编码。在解码端,设置与编码端相同的神经网络集合,在对编码图像序列数据进行解码时,是从神经网络集合中选择一个神经网络(与编码端选择的神经网络相同),并利用选择的神经网络对编码图像序列数据进行解码,而不是使用固定的神经网络对编码图像序列数据进行解码。
在传统方式中,是使用固定的神经网络进行编码和解码,由于神经网络仍处于快速迭代的过程,新神经网络层出不穷,因此,哪个神经网络的性能最优还无法确定。例如,在对图像序列数据A进行编码时,神经网络1的性能优于神经网络2的性能,在对图像序列数据B进行编码时,神经网络2的性能优于神经网络1的性能。显然,编码端在使用固定的神经网络(如神经网络1)对图像序列数据B进行编码时,编码性能较低。解码端在使用固定的神经网络(如神经网络1)对图像序列数据B的编码图像序列数据进行解码时,解码性能较低。
与上述方式不同的是,本申请实施例中,在编码端和解码端的神经网络集合中,均可以包括神经网络1和神经网络2。在对图像序列数据A进行编码时,编码端可以从神经网络集合中选择神经网络1,并使用神经网络1对图像序列数据A进行编码,从而提高编码性能;在对图像序列数据B进行编码时,编码端可以从神经网络集合中选择神经网络2,并使用神经网络2对图像序列数据B进行编码,从而提高编码性能。同理,解码端可以从神经网络集合中选择神经网络1,并使用神经网络1对图像序列数据A的编码图像序列数据进行解码,从而提高解码性能。解码端可以从神经网络集合中选择神经网络2,并使用神经网络2对图像序列数据B的编码图像序列数据进行解码,从而提高解码性能。
以下结合具体实施例,对图像编码方法、图像解码方法进行详细说明。
实施例一:
参见图1所示,为图像编码方法的一个流程示意图,该方法可以包括:
步骤101,编码端从神经网络集合选择神经网络,该神经网络集合包括至少一个神经网络。其中,在神经网络集合内的神经网络,可以包括但不限于:卷积神经网络(简称CNN)、循环神经网络(简称RNN)、全连接网络等。
在步骤101之前,编码端可以建立一个神经网络集合,如该神经网络集合可以包括神经网络1、神经网络2和神经网络3,该神经网络集合与解码端的神经网络集合可以相同。在步骤101中,编码端可以从神经网络集合的神经网络1、神经网络2和神经网络3中选择一个神经网络,以选择神经网络1为例。
在步骤101中,编码端从神经网络集合选择神经网络,可以包括但不限于:根据神经网络集合中每个神经网络的性能参数,从神经网络集合中选择一个神经网络。或者,从神经网络集合中选择第一个神经网络。或者,从神经网络集合中选择最后一个神经网络。或者,从神经网络集合中随机选择一个神经网络。
当然,上述方式只是示例,对此选择方式不做限制,以“根据神经网络集合中每个神经网络的性能参数,从神经网络集合中选择一个神经网络”为例。
进一步的,根据神经网络集合中每个神经网络的性能参数,从神经网络集合中选择一个神经网络,还可以包括但不限于如下方式:方式一、可以根据编码端的运算能力、神经网络集合中每个神经网络的运算复杂度,从该神经网络集合中选择一个神经网络。或者,方式二、可以获取神经网络集合中每个神经网络的编码性能,并从该神经网络集合中选择编码性能最优的一个神经网络。
在方式一中,编码端可以获知自身的运算能力,以运算能力是加法运算为例,若编码端每秒最多处理500万个加法运算,则编码端的运算能力为500万。当然,还可以使用其它方式表示运算能力,对此不做限制。此外,针对神经网络集合中的每个神经网络,编码端可以获知每个神经网络的运算复杂度,以运算复杂度是每秒需要执行多少次加法运算为例,若神经网络1每秒需要执行300万次加法运算,神经网络2每秒需要执行400万次加法运算,神经网络3每秒需要执行600万次加法运算,则编码端获知神经网络1的运算复杂度为300万,神经网络2的运算复杂度为400万,神经网络3的运算复杂度为600万。当然,还可以使用其它方式表示神经网络的运算复杂度,对此不做限制。
基于编码端的运算能力、神经网络集合中每个神经网络的运算复杂度,编码端从神经网络集合中选择一个神经网络,包括但不限于:从神经网络集合中选择运算复杂度小于运算能力、且运算能力与运算复杂度的差值最大的神经网络。例如,神经网络1的运算复杂度300万、神经网络2的运算复杂度400万均小于编码端的运算能力500万,且运算能力500万与运算复杂度300万的差值最大,因此选择神经网络1。或者,从神经网络集合中选择运算复杂度小于运算能力、且运算能力与运算复杂度的差值最小的神经网络。例如,运算能力500万与运算复杂度400万的差值最小,因此选择神经网络2。当然,上述方式只是示例,对此不做限制,只要选择的神经网络的运算复杂度小于运算能力即可。
在方式二中,编码端可以利用神经网络集合中的每个神经网络对图像序列数据进行编码,并根据编码结果确定每个神经网络的编码性能,并选择编码性能最优的神经网络。例如,若神经网络1的编码性能优于神经网络2的编码性能,神经网络2的编码性能优于神经网络3的编码性能,则可以选择神经网络1。
当然,编码端利用神经网络集合中的每个神经网络对图像序列数据进行编码时,只是为了选择出编码性能最优的神经网络,而不是真正的编码过程,因此,编码后的图像序列数据不会被编码端发送给解码端,而是被编码端丢弃。
其中,为了确定每个神经网络的编码性能,还可以采用RDO(Rate DistortionOptimized,率失真原则)确定每个神经网络的编码性能,也就是说,在利用神经网络对图像序列数据进行编码后,则可以使用RDO确定该神经网络的编码性能。当然,还可以采用其它方式确定神经网络的编码性能,对此不做限制。
在步骤101中,神经网络集合中的每个神经网络的初始顺序,可以预先配置,对此不做限制。例如,初始顺序是神经网络1、神经网络2和神经网络3,且解码端的神经网络集合的初始顺序也是神经网络1、神经网络2和神经网络3。
在后续处理过程中,神经网络集合中的每个神经网络的顺序可以固定,即顺序不发生变化。或者,神经网络集合中的每个神经网络的顺序也可以发生变化。例如,可以按照实际使用频率从大到小的顺序进行排序(即第一个神经网络为使用频率最高的神经网络,最后一个神经网络为使用频率最低的神经网络);或者,按照实际使用频率从小到大的顺序进行排序。(即第一个神经网络为使用频率最低的神经网络,最后一个神经网络为使用频率最高的神经网络)。
步骤102,编码端利用选择的神经网络对图像序列数据进行编码,得到编码图像序列数据(为区分方便,将编码后的图像序列数据称为编码图像序列数据)。
其中,编码端利用选择的神经网络对图像序列数据进行编码,得到编码图像序列数据,包括:利用选择的神经网络对图像序列进行编码,得到编码图像序列数据;或者,利用选择的神经网络对图像进行编码,得到编码图像序列数据;或者,利用选择的神经网络对图像块进行编码,得到编码图像序列数据。
例如,对图像序列A进行编码时,假设图像序列A包括图像A1和图像A2,图像A1包括图像块A11和图像块A12,图像A2包括图像块A21和图像块A22。
若选择的神经网络适用于图像序列,则可以为图像序列A选择一个神经网络,以神经网络1为例,则使用神经网络1对整个图像序列A进行编码。
若选择的神经网络适用于整个图像,则可以为图像A1选择一个神经网络,以神经网络1为例,使用神经网络1对图像A1进行编码。还可以为图像A2选择一个神经网络,以神经网络2为例,使用神经网络2对图像A2进行编码。
此外,若选择的神经网络只适用于图像块,则可以为图像块A11选择一个神经网络,以神经网络1为例,使用神经网络1对图像块A11进行编码。可以为图像块A12选择一个神经网络,以神经网络2为例,使用神经网络2对图像块A12进行编码。而且,还可以为图像块A21选择一个神经网络,以神经网络3为例,使用神经网络3对图像块A21进行编码。可以为图像块A22选择一个神经网络,以神经网络2为例,使用神经网络2对图像块A22进行编码。
在利用选择的神经网络对图像序列数据进行编码时,考虑到编码过程涉及预测、变换、量化、熵编码、滤波等模块,因此,预测模块可以从神经网络集合中选择神经网络,并利用选择的神经网络对图像序列数据进行预测;变换模块可以从神经网络集合中选择神经网络,并利用选择的神经网络对图像序列数据进行变换;量化模块可以从神经网络集合中选择神经网络,并利用选择的神经网络对图像序列数据进行量化;熵编码模块可以从神经网络集合中选择神经网络,并利用选择的神经网络对图像序列数据进行熵编码;滤波模块可以从神经网络集合中选择神经网络,并利用选择的神经网络对图像序列数据进行滤波。
步骤103,编码端向解码端发送编码比特流,该编码比特流携带编码图像序列数据。
其中,若采用显式策略向解码端发送编码比特流,则编码端向解码端发送编码比特流之前,还可以确定选择的神经网络在神经网络集合中的索引值(也称为索引位置,如选择神经网络集合的第一个神经网络时,索引值为1)。基于此,编码端在向解码端发送编码比特流时,还可以在该编码比特流中添加该索引值,即该编码比特流可以携带编码图像序列数据和该索引值。而且,编码端在该编码比特流中添加索引值时,还可以对该索引值进行编码,并在该编码比特流中添加编码后的索引值。
其中,还可以在编码端和解码端配置神经网络决策策略,该神经网络决策策略可以为默认索引值,如默认索引值为1。基于此,编码端向解码端发送编码比特流之前,还可以确定选择的神经网络在神经网络集合中的索引值,若索引值为1,则可以采用隐式策略向解码端发送编码比特流,即编码比特流不携带索引值1,如可以只携带编码图像序列数据。若索引值不为1,如索引值为2,则可以采用显式策略向解码端发送编码比特流,即编码比特流携带索引值2,如可以携带编码图像序列数据和索引值2。此外,该神经网络决策策略还可以为上次索引值,即编码端上次向解码端发送的编码比特流(上次发送的编码比特流,可以是采用显式策略发送的编码比特流,或者,可以是采用隐式策略发送的编码比特流)对应的索引值,如上次索引值为1。基于此,编码端向解码端发送编码比特流之前,还可以确定选择的神经网络在神经网络集合中的索引值,若索引值为1,则可以采用隐式策略向解码端发送编码比特流,即编码比特流不携带索引值1,如可以只携带编码图像序列数据。若索引值不为1,如索引值为2,则可以采用显式策略向解码端发送编码比特流,即编码比特流携带索引值2,如可以携带编码图像序列数据和索引值2。当然,默认索引值和上次索引值只是神经网络决策策略的示例,对此不做限制,只要编码端能够利用神经网络决策策略确定神经网络在神经网络集合中的索引值即可。
其中,编码端对索引值进行编码,并在编码比特流中添加编码后的索引值时,可以采用可变长度编码策略编码索引值,在编码比特流中添加编码后的索引值;或采用定长编码策略编码索引值,在编码比特流中添加编码后的索引值。
在采用可变长度编码策略编码索引值时,编码后的索引值的长度是不定的。例如,索引值为1时,编码后的索引值的长度为1位,如编码后的索引值为1;索引值为2时,编码后的索引值的长度为2位,如编码后的索引值为10;索引值为4时,编码后的索引值的长度为3位,如编码后的索引值为100;以此类推。
在采用定长编码策略编码索引值时,编码后的索引值的长度是固定的,如固定为4位。例如,索引值为1时,编码后的索引值为0001;索引值为2时,编码后的索引值为0010;索引值为4时,编码后的索引值为0100;以此类推。
由以上技术方案可见,本申请实施例中,编码端可以从神经网络集合的多个神经网络中选择一个神经网络,并使用该神经网络对图像序列数据进行编码,而不是使用固定的神经网络对图像序列数据进行编码,从而使编码性能较高。
实施例二:
参见图2所示,为图像编码方法的另一个流程示意图,该方法可以包括:
步骤201,编码端从多个神经网络集合中获取神经网络集合。
其中,编码端可以配置多个神经网络集合,每个神经网络集合可以包括至少一个神经网络;例如,编码端可以配置神经网络集合1、神经网络集合2和神经网络集合3。基于此,编码端在向解码端发送图像序列数据时,可以从神经网络集合1、神经网络集合2和神经网络集合3中选择一个神经网络集合。
进一步的,假设编码端为解码端A配置神经网络集合1,并为解码端B配置神经网络集合2和神经网络集合3,则在向解码端A发送图像序列数据时,编码端可以选择神经网络集合1;此外,在向解码端B发送图像序列数据时,编码端可以选择神经网络集合2或者神经网络集合3,对此选择方式不做限制。
步骤202,编码端从获取的该神经网络集合中选择一个神经网络。
其中,步骤202的处理过程可以参见步骤101的处理,在此不再赘述。
步骤203,编码端利用选择的神经网络对图像序列数据进行编码,得到编码图像序列数据。步骤203的处理过程可以参见步骤102的处理,在此不再赘述。
步骤204,编码端向解码端发送编码比特流,该编码比特流携带编码图像序列数据。
其中,参见步骤103,在编码端向解码端发送编码比特流时,若采用显示策略,则编码比特流可以携带选择的神经网络在神经网络集合中的索引值,若采用隐式策略,则编码比特流未携带选择的神经网络在神经网络集合中的索引值。
其中,编码端在从多个神经网络集合中获取神经网络集合后,还可以确定该神经网络集合的标识,例如,神经网络集合1的标识可以为1,以此类推。
然后,若采用显式策略向解码端发送编码比特流,则编码端可以在编码比特流中添加该神经网络集合的标识。编码端在编码比特流中添加该神经网络集合的标识时,还可以对该标识进行编码,并在编码比特流中添加编码后的标识。
此外,还可以在编码端和解码端配置神经网络集合决策策略,该神经网络集合决策策略可以为默认标识,如默认标识为1。基于此,若神经网络集合的标识为1,则采用隐式策略向解码端发送编码比特流,即编码比特流不携带标识1;若神经网络集合的标识为2,则采用显式策略向解码端发送编码比特流,即编码比特流携带标识2。或者,该神经网络集合决策策略可以为上次标识,即编码端上次向解码端发送的编码比特流对应的标识,如上次标识为1。基于此,若神经网络集合的标识为1,则采用隐式策略向解码端发送编码比特流,即编码比特流不携带标识1;若神经网络集合的标识为2,则采用显式策略向解码端发送编码比特流,即编码比特流携带标识2。当然,默认标识和上次标识只是神经网络集合决策策略的示例,对此不做限制,只要利用神经网络集合决策策略能够确定神经网络集合的标识即可。
其中,编码端对神经网络集合的标识进行编码,在编码比特流中添加编码后的标识时,可以采用可变长度编码策略编码神经网络集合的标识,并在编码比特流中添加编码后的神经网络集合的标识;或者,可以采用定长编码策略编码神经网络集合的标识,并在编码比特流中添加编码后的神经网络集合的标识。
由以上技术方案可见,本申请实施例中,编码端可以从多个神经网络集合中选择一个神经网络集合,并从该神经网络集合的多个神经网络中选择一个神经网络,并使用该神经网络对图像序列数据进行编码,而不是使用固定的神经网络对图像序列数据进行编码,从而可以使编码性能较高,提高用户使用感受。
实施例三:
参见图3所示,为图像解码方法的一个流程示意图,该方法可以包括:
步骤301,解码端获取编码比特流,该编码比特流携带编码图像序列数据。
其中,编码比特流可以是编码端发送给解码端的,也可以是解码端在本地对图像序列数据进行编码后得到的,对此不做限制,后续以编码端将编码比特流发送给解码端为例,具体的发送过程可以参见实施例一或者实施例二。
步骤302,解码端获取神经网络决策信息,并从神经网络集合中选择与该神经网络决策信息对应的神经网络;其中,神经网络集合包括至少一个神经网络。
其中,在该神经网络集合内的神经网络,可以包括但不限于:卷积神经网络(简称CNN)、循环神经网络(简称RNN)、全连接网络等。
在步骤301之前,解码端可以建立一个神经网络集合,如该神经网络集合可以包括神经网络1、神经网络2和神经网络3,该神经网络集合与编码端的神经网络集合可以相同。在步骤302中,解码端可以从神经网络集合的神经网络1、神经网络2和神经网络3中选择一个神经网络,以选择神经网络1为例。
其中,解码端获取神经网络决策信息,并从神经网络集合中选择与该神经网络决策信息对应的神经网络,可以包括:若编码比特流携带神经网络的索引值,则解码端将该索引值确定为神经网络决策信息,并从神经网络集合中选择与该索引值对应的神经网络。或者,解码端根据神经网络决策策略确定神经网络的索引值,并将该索引值确定为神经网络决策信息,并从神经网络集合中选择与该索引值对应的神经网络。其中,解码端根据神经网络决策策略确定神经网络的索引值,可以包括:若神经网络决策策略为默认索引值,则可以将该默认索引值确定为神经网络的索引值;或者,若神经网络决策策略为上次索引值,则可以将上次使用的索引值确定为神经网络的索引值。
例如,若编码端采用显式策略向解码端发送编码比特流,则编码比特流中还可以携带神经网络的索引值(即神经网络在神经网络集合中的索引值),若神经网络的索引值为1,则解码端可以从神经网络集合中选择第一个神经网络。
又例如,可以在编码端和解码端配置神经网络决策策略,该神经网络决策策略可以为默认索引值,且该默认索引值可以为1。基于此,若编码端采用隐式策略向解码端发送编码比特流,则编码比特流中未携带神经网络的索引值,且解码端可以将默认索引值1确定为神经网络的索引值,并可以从神经网络集合中选择第一个神经网络。或者,可以在编码端和解码端配置神经网络决策策略,该神经网络决策策略可以为上次索引值。基于此,若编码端采用隐式策略向解码端发送编码比特流,则编码比特流中未携带神经网络的索引值,且解码端可以将上次接收的编码比特流(即编码端采用显式策略发送的编码比特流或采用隐式策略发送的编码比特流)对应的索引值(如索引值1),确定为神经网络的索引值,并可以从神经网络集合中选择第一个神经网络。当然,默认索引值和上次索引值只是神经网络决策策略的示例,对此不做限制,解码端能够利用神经网络决策策略确定神经网络在神经网络集合中的索引值即可。
其中,在编码比特流携带神经网络的索引值时,该索引值可以是采用可变长度编码策略编码的索引值,因此,解码端获取编码比特流后,还可以采用可变长度解码策略(即可变长度编码策略对应的解码策略)对编码比特流进行解码,得到神经网络的索引值。或者,该索引值可以是采用定长编码策略编码的索引值,因此,解码端获取编码比特流之后,还可以采用定长解码策略(即定长编码策略对应的解码策略)对编码比特流进行解码,得到神经网络的索引值。
在步骤302中,神经网络集合中的每个神经网络的初始顺序,可以预先配置,对此不做限制。例如,初始顺序是神经网络1、神经网络2和神经网络3,且编码端的神经网络集合的初始顺序也是神经网络1、神经网络2和神经网络3。
在后续处理过程中,神经网络集合中的每个神经网络的顺序可以固定,即顺序不发生变化。或者,神经网络集合中的每个神经网络的顺序也可以发生变化。例如,可以按照实际使用频率从大到小的顺序进行排序(即第一个神经网络为使用频率最高的神经网络,最后一个神经网络为使用频率最低的神经网络);或者,按照实际使用频率从小到大的顺序进行排序。(即第一个神经网络为使用频率最低的神经网络,最后一个神经网络为使用频率最高的神经网络)。
其中,若编码端的神经网络的顺序采用固定方式,则解码端的神经网络的顺序也采用固定方式;或者,若编码端的神经网络按照实际使用频率从大到小的顺序进行排序,则解码端的神经网络也按照实际使用频率从大到小的顺序进行排序;或者,若编码端的神经网络按照实际使用频率从小到大的顺序进行排序,则解码端的神经网络也按照实际使用频率从小到大的顺序进行排序。
步骤303,解码端利用选择的神经网络对编码图像序列数据进行解码。
其中,解码端利用选择的神经网络对编码图像序列数据进行解码,可以包括:可以利用选择的神经网络对图像序列进行解码;或者,可以利用选择的神经网络对图像进行解码;或者,可以利用选择的神经网络对图像块进行解码。
例如,假设图像序列A包括图像A1和图像A2,图像A1包括图像块A11和图像块A12,图像A2包括图像块A21和图像块A22。
在此基础上,若选择的神经网络适用于图像序列,则可以为图像序列A选择一个神经网络,以选择神经网络1为例进行说明,则使用神经网络1对整个图像序列A对应的编码图像序列数据进行解码。
若选择的神经网络适用于整个图像,则可以为图像A1选择一个神经网络,以神经网络1为例,则可以使用神经网络1对图像A1对应的编码图像序列数据进行解码。而且,还可以为图像A2选择一个神经网络,以神经网络2为例,则可以使用神经网络2对图像A2对应的编码图像序列数据进行解码。
若选择的神经网络只适用于图像块,则可以为图像块A11选择一个神经网络,以神经网络1为例,则可以使用神经网络1对图像块A11对应的编码图像序列数据进行解码。可以为图像块A12选择一个神经网络,以神经网络2为例,则可以使用神经网络2对图像块A12对应的编码图像序列数据进行解码。还可以为图像块A21选择一个神经网络,以神经网络3为例,则可以使用神经网络3对图像块A21对应的编码图像序列数据进行解码。可以为图像块A22选择一个神经网络,以神经网络2为例,则可以使用神经网络2对图像块A22对应的编码图像序列数据进行解码。
综上所述,解码端可以从神经网络集合的多个神经网络中选择一个神经网络,并使用该神经网络对编码图像序列数据进行解码,而不是使用固定的神经网络对编码图像序列数据进行解码,从而使解码性能较高。解码端使用的神经网络与编码端使用的神经网络相同,从而对编码图像序列数据进行正确的解码。
实施例四:
参见图4所示,为图像解码方法的另一个流程示意图,该方法可以包括:
步骤401,解码端获取编码比特流,该编码比特流携带编码图像序列数据。
其中,步骤401的处理过程可以参见步骤301的处理,在此不再赘述。
步骤402,解码端获取神经网络集合决策信息,并确定与该神经网络集合决策信息对应的神经网络集合。
其中,解码端可以配置至少一个神经网络集合,每个神经网络集合包括至少一个神经网络;例如,解码端配置神经网络集合1和神经网络集合2,且解码端可以从神经网络集合1和神经网络集合2中选择一个神经网络集合。
其中,解码端获取神经网络集合决策信息,并确定与该神经网络集合决策信息对应的神经网络集合,可以包括但不限于:若编码比特流携带神经网络集合的标识,则解码端可以将该标识确定为神经网络集合决策信息,并确定与该标识对应的神经网络集合。或者,解码端根据神经网络集合决策策略确定神经网络集合的标识,并将该标识确定为神经网络集合决策信息,并确定与该标识对应的神经网络集合。进一步,解码端根据神经网络集合决策策略确定神经网络集合的标识,可以包括但不限于:若该神经网络集合决策策略为默认标识,则解码端将该默认标识确定为神经网络集合的标识;或者,若该神经网络集合决策策略为上次标识,则解码端将上次使用的标识确定为神经网络集合的标识。
例如,若编码端采用显式策略向解码端发送编码比特流,则编码比特流中还携带神经网络集合的标识,如标识1,解码端可以从所有神经网络集合中选择神经网络集合1。又例如,在编码端和解码端配置神经网络集合决策策略,神经网络集合决策策略可以为默认标识,且默认标识可以为1。若编码端采用隐式策略向解码端发送编码比特流,则编码比特流未携带神经网络集合的标识,解码端将默认标识1确定为神经网络集合的标识,并从所有神经网络集合中选择神经网络集合1。又例如,神经网络集合决策策略可以为上次标识,若编码端采用隐式策略向解码端发送编码比特流,则编码比特流中未携带神经网络集合的标识,解码端将上次接收的编码比特流对应的标识(如标识1)确定为神经网络集合的标识,并从所有神经网络集合中选择神经网络集合1。当然,默认标识和上次标识只是神经网络集合决策策略的示例,对此神经网络集合决策策略不做限制,只要解码端能够利用神经网络集合决策策略确定神经网络集合的标识即可。
其中,在编码比特流携带神经网络集合的标识时,该标识可以是采用可变长度编码策略编码的标识,因此,解码端获取编码比特流之后,还可以采用可变长度解码策略(即可变长度编码策略对应的解码策略)对编码比特流进行解码,得到神经网络集合的标识。或者,该标识可以是采用定长编码策略编码的标识,因此,解码端获取编码比特流之后,还可以采用定长解码策略(即定长编码策略对应的解码策略)对编码比特流进行解码,得到神经网络集合的标识。
步骤403,解码端获取神经网络决策信息,并从该神经网络集合中选择与该神经网络决策信息对应的神经网络;该神经网络集合包括至少一个神经网络。
其中,步骤403的处理过程可以参见步骤302的处理,在此不再赘述。
步骤404,解码端利用选择的神经网络对编码图像序列数据进行解码。
其中,步骤404的处理过程可以参见步骤303的处理,在此不再赘述。
综上所述,解码端可以从至少一个神经网络集合中选择一个神经网络集合,并从该神经网络集合的多个神经网络中选择一个神经网络,并使用该神经网络对编码图像序列数据进行解码,而不是使用固定的神经网络对编码图像序列数据进行解码,从而使解码性能较高,提高用户使用感受。解码端使用的神经网络与编码端使用的神经网络相同,从而对编码图像序列数据进行正确的解码。
基于与上述方法同样的申请构思,本申请实施例中还提出一种图像解码装置,应用于解码端,如图5所示,为所述装置的结构图,所述装置具体包括:
获取模块501,用于获取编码比特流,编码比特流携带编码图像序列数据;
选择模块502,用于获取神经网络决策信息,并从神经网络集合中选择与所述神经网络决策信息对应的神经网络;
解码模块503,用于利用选择的神经网络对所述编码图像序列数据进行解码。
所述选择模块502,具体用于:若所述编码比特流携带神经网络的索引值,则将所述索引值确定为所述神经网络决策信息,从神经网络集合中选择与所述索引值对应的神经网络;或者,根据神经网络决策策略确定神经网络的索引值,并将所述索引值确定为所述神经网络决策信息,并从神经网络集合中选择与所述索引值对应的神经网络;进一步的,所述选择模块502在根据神经网络决策策略确定神经网络的索引值时具体用于:若所述神经网络决策策略为默认索引值,则将所述默认索引值确定为神经网络的索引值;或者,若所述神经网络决策策略为上次索引值,则将上次使用的索引值确定为神经网络的索引值。
所述选择模块502,还用于获取神经网络集合决策信息,并确定与所述神经网络集合决策信息对应的神经网络集合;进一步的,所述选择模块502获取神经网络集合决策信息,并确定与所述神经网络集合决策信息对应的神经网络集合时具体用于:若编码比特流携带神经网络集合的标识,将所述标识确定为神经网络集合决策信息,确定与所述标识对应的神经网络集合;或者,根据神经网络集合决策策略确定神经网络集合的标识,并将所述标识确定为神经网络集合决策信息,并确定与所述标识对应的神经网络集合。
基于与上述方法同样的申请构思,本申请实施例还提出一种图像编码装置,应用于编码端,如图6所示,为所述装置的结构图,所述装置包括:选择模块601,用于从神经网络集合中选择神经网络;编码模块602,用于利用选择的神经网络对图像序列数据进行编码,得到编码图像序列数据;发送模块603,用于向解码端发送编码比特流,所述编码比特流携带所述编码图像序列数据。
所述选择模块具体用于601:根据所述神经网络集合中每个神经网络的性能参数,从所述神经网络集合中选择神经网络;
所述选择模块601根据所述神经网络集合中每个神经网络的性能参数,从所述神经网络集合中选择神经网络时具体用于:根据所述编码端的运算能力、所述神经网络集合中每个神经网络的运算复杂度,从所述神经网络集合中选择神经网络;或者,获取所述神经网络集合中每个神经网络的编码性能,从所述神经网络集合中选择编码性能最优的神经网络。
所述发送模块603向解码端发送编码比特流之前还用于:在所述编码比特流中添加选择的神经网络在所述神经网络集合中的索引值。
所述发送模块603向解码端发送编码比特流之前还用于:在所述编码比特流中添加神经网络集合的标识。
本申请实施例提供的解码端设备,从硬件层面而言,其硬件架构示意图具体可以参见图7所示。包括:处理器和机器可读存储介质,其中:所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令;所述处理器用于执行机器可执行指令,以实现本申请上述示例公开的图像解码方法。
本申请实施例提供的编码端设备,从硬件层面而言,其硬件架构示意图具体可以参见图8所示。包括:处理器和机器可读存储介质,其中:所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令;所述处理器用于执行机器可执行指令,以实现本申请上述示例公开的图像编码方法。
其中,上述机器可读存储介质可以是任何电子、磁性、光学或其它物理存储装置,可以包含或存储信息,如可执行指令、数据,等等。例如,机器可读存储介质可以是:RAM(Radom Access Memory,随机存取存储器)、易失存储器、非易失性存储器、闪存、存储驱动器(如硬盘驱动器)、固态硬盘、任何类型的存储盘(如光盘、dvd等),或者类似的存储介质,或者它们的组合。
上述实施例阐明的***、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机,计算机的具体形式可以是个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件收发设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任意几种设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可以由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其它可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其它可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
而且,这些计算机程序指令也可以存储在能引导计算机或其它可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或者多个流程和/或方框图一个方框或者多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其它可编程数据处理设备上,使得在计算机或者其它可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其它可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (27)
1.一种图像解码方法,其特征在于,应用于解码端,所述方法包括:
获取编码比特流,所述编码比特流携带编码图像序列数据;
获取神经网络决策信息,并从神经网络集合中选择与所述神经网络决策信息对应的神经网络;
利用选择的神经网络对所述编码图像序列数据进行解码。
2.根据权利要求1所述的方法,其特征在于,所述获取神经网络决策信息,并从神经网络集合中选择与所述神经网络决策信息对应的神经网络,包括:
若所述编码比特流携带神经网络的索引值,则将所述索引值确定为所述神经网络决策信息,并从神经网络集合中选择与所述索引值对应的神经网络。
3.根据权利要求2所述的方法,其特征在于,所述索引值是采用可变长度编码策略编码的索引值,所述获取编码比特流之后,还包括:
采用可变长度解码策略对编码比特流进行解码,得到神经网络的索引值。
4.根据权利要求1所述的方法,其特征在于,所述获取神经网络决策信息,并从神经网络集合中选择与所述神经网络决策信息对应的神经网络,包括:
根据神经网络决策策略确定神经网络的索引值,并将所述索引值确定为所述神经网络决策信息,并从神经网络集合中选择与所述索引值对应的神经网络。
5.根据权利要求4所述的方法,其特征在于,
所述根据神经网络决策策略确定神经网络的索引值,包括:若神经网络决策策略为默认索引值,将默认索引值确定为神经网络的索引值;或,若神经网络决策策略为上次索引值,将上次使用的索引值确定为神经网络的索引值。
6.根据权利要求1所述的方法,其特征在于,所述从神经网络集合中选择与所述神经网络决策信息对应的神经网络之前,所述方法还包括:
获取神经网络集合决策信息,并确定与所述神经网络集合决策信息对应的神经网络集合。
7.根据权利要求6所述的方法,其特征在于,所述获取神经网络集合决策信息,并确定与所述神经网络集合决策信息对应的神经网络集合,包括:
若所述编码比特流携带神经网络集合的标识,则将所述标识确定为所述神经网络集合决策信息,并确定与所述标识对应的神经网络集合。
8.根据权利要求7所述的方法,其特征在于,所述标识是采用可变长度编码策略编码的标识,所述获取编码比特流之后,还包括:采用可变长度解码策略对所述编码比特流进行解码,得到神经网络集合的标识。
9.根据权利要求6所述的方法,其特征在于,所述获取神经网络集合决策信息,并确定与所述神经网络集合决策信息对应的神经网络集合,包括:
根据神经网络集合决策策略确定神经网络集合的标识,并将所述标识确定为所述神经网络集合决策信息,并确定与所述标识对应的神经网络集合。
10.根据权利要求1所述的方法,其特征在于,
所述神经网络集合包括的至少一个神经网络,按照实际使用频率从大到小的顺序进行排序,或者,按照实际使用频率从小到大的顺序进行排序。
11.一种图像编码方法,其特征在于,应用于编码端,所述方法包括:
从神经网络集合选择神经网络;
利用选择的神经网络对图像序列数据进行编码,得到编码图像序列数据;
向解码端发送编码比特流,所述编码比特流携带所述编码图像序列数据。
12.根据权利要求11所述的方法,其特征在于,
所述从神经网络集合选择神经网络,包括:根据所述神经网络集合中每个神经网络的性能参数,从所述神经网络集合中选择神经网络。
13.根据权利要求12所述的方法,其特征在于,所述根据所述神经网络集合中每个神经网络的性能参数,从所述神经网络集合中选择神经网络,包括:
根据所述编码端的运算能力、所述神经网络集合中每个神经网络的运算复杂度,从所述神经网络集合中选择神经网络;或者,
获取所述神经网络集合中每个神经网络的编码性能,从所述神经网络集合中选择编码性能最优的神经网络。
14.根据权利要求11所述的方法,其特征在于,
所述从神经网络集合选择神经网络之后,所述方法还包括:
确定选择的神经网络在所述神经网络集合中的索引值;
所述向解码端发送编码比特流时,在所述编码比特流中添加所述索引值。
15.根据权利要求14所述的方法,其特征在于,
所述在所述编码比特流中添加所述索引值,包括:采用可变长度编码策略编码所述索引值,并在所述编码比特流中添加编码后的索引值。
16.根据权利要求11所述的方法,其特征在于,
所述从神经网络集合选择神经网络之前,所述方法还包括:
获取神经网络集合,并确定所述神经网络集合的标识;
所述向解码端发送编码比特流时,在所述编码比特流中添加所述标识。
17.根据权利要求16所述的方法,其特征在于,
所述在所述编码比特流中添加所述标识,包括:采用可变长度编码策略编码所述标识,并在所述编码比特流中添加编码后的标识。
18.根据权利要求11所述的方法,其特征在于,
所述神经网络集合包括的至少一个神经网络,按照实际使用频率从大到小的顺序进行排序,或者,按照实际使用频率从小到大的顺序进行排序。
19.一种图像解码装置,其特征在于,应用于解码端,所述装置包括:
获取模块,用于获取编码比特流,所述编码比特流携带编码图像序列数据;
选择模块,用于获取神经网络决策信息,并从神经网络集合中选择与所述神经网络决策信息对应的神经网络;
解码模块,用于利用选择的神经网络对所述编码图像序列数据进行解码。
20.根据权利要求19所述的装置,其特征在于,所述选择模块,具体用于:
若所述编码比特流携带神经网络的索引值,则将所述索引值确定为所述神经网络决策信息,从神经网络集合中选择与所述索引值对应的神经网络;或者,根据神经网络决策策略确定神经网络的索引值,并将所述索引值确定为所述神经网络决策信息,并从神经网络集合中选择与所述索引值对应的神经网络;
所述选择模块在根据神经网络决策策略确定神经网络的索引值时具体用于:若所述神经网络决策策略为默认索引值,则将所述默认索引值确定为神经网络的索引值;或者,若所述神经网络决策策略为上次索引值,则将上次使用的索引值确定为神经网络的索引值。
21.根据权利要求19所述的装置,其特征在于,
所述选择模块,还用于获取神经网络集合决策信息,并确定与所述神经网络集合决策信息对应的神经网络集合;
所述选择模块获取神经网络集合决策信息,并确定与所述神经网络集合决策信息对应的神经网络集合时具体用于:若编码比特流携带神经网络集合的标识,将所述标识确定为神经网络集合决策信息,确定与所述标识对应的神经网络集合;或者,根据神经网络集合决策策略确定神经网络集合的标识,并将所述标识确定为神经网络集合决策信息,并确定与所述标识对应的神经网络集合。
22.一种图像编码装置,其特征在于,应用于编码端,所述装置包括:
选择模块,用于从神经网络集合中选择神经网络;
编码模块,用于利用选择的神经网络对图像序列数据进行编码,得到编码图像序列数据;
发送模块,用于向解码端发送编码比特流,所述编码比特流携带所述编码图像序列数据。
23.根据权利要求22所述的装置,其特征在于,
所述选择模块具体用于:根据所述神经网络集合中每个神经网络的性能参数,从所述神经网络集合中选择神经网络;
所述选择模块根据所述神经网络集合中每个神经网络的性能参数,从所述神经网络集合中选择神经网络时具体用于:根据所述编码端的运算能力、所述神经网络集合中每个神经网络的运算复杂度,从所述神经网络集合中选择神经网络;或者,获取所述神经网络集合中每个神经网络的编码性能,从所述神经网络集合中选择编码性能最优的神经网络。
24.根据权利要求22所述的装置,其特征在于,
所述发送模块向解码端发送编码比特流之前还用于:在所述编码比特流中添加选择的神经网络在所述神经网络集合中的索引值。
25.根据权利要求22所述的装置,其特征在于,所述发送模块向解码端发送编码比特流之前还用于:在所述编码比特流中添加神经网络集合的标识。
26.一种解码端设备,其特征在于,包括:处理器和机器可读存储介质,所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令;所述处理器用于执行机器可执行指令,以实现权利要求1-10任一所述的方法步骤。
27.一种编码端设备,其特征在于,包括:处理器和机器可读存储介质,所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令;所述处理器用于执行机器可执行指令,以实现权利要求11-18任一所述的方法步骤。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810380105.2A CN110401836B (zh) | 2018-04-25 | 2018-04-25 | 一种图像解码、编码方法、装置及其设备 |
CN202210623408.9A CN115115720A (zh) | 2018-04-25 | 2018-04-25 | 一种图像解码、编码方法、装置及其设备 |
PCT/CN2019/079807 WO2019205871A1 (zh) | 2018-04-25 | 2019-03-27 | 一种图像解码、编码方法、装置及其设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810380105.2A CN110401836B (zh) | 2018-04-25 | 2018-04-25 | 一种图像解码、编码方法、装置及其设备 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210623408.9A Division CN115115720A (zh) | 2018-04-25 | 2018-04-25 | 一种图像解码、编码方法、装置及其设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110401836A true CN110401836A (zh) | 2019-11-01 |
CN110401836B CN110401836B (zh) | 2022-04-26 |
Family
ID=68294729
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810380105.2A Active CN110401836B (zh) | 2018-04-25 | 2018-04-25 | 一种图像解码、编码方法、装置及其设备 |
CN202210623408.9A Pending CN115115720A (zh) | 2018-04-25 | 2018-04-25 | 一种图像解码、编码方法、装置及其设备 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210623408.9A Pending CN115115720A (zh) | 2018-04-25 | 2018-04-25 | 一种图像解码、编码方法、装置及其设备 |
Country Status (2)
Country | Link |
---|---|
CN (2) | CN110401836B (zh) |
WO (1) | WO2019205871A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114501031A (zh) * | 2020-11-13 | 2022-05-13 | 华为技术有限公司 | 一种压缩编码、解压缩方法以及装置 |
CN114630132A (zh) * | 2020-12-10 | 2022-06-14 | 脸萌有限公司 | 视频编解码的基于神经网络的环路内滤波器中的模型选择 |
WO2023011420A1 (zh) * | 2021-08-05 | 2023-02-09 | 华为技术有限公司 | 编解码方法和装置 |
WO2024012474A1 (zh) * | 2022-07-14 | 2024-01-18 | 杭州海康威视数字技术股份有限公司 | 一种基于神经网络的图像解码、编码方法、装置及其设备 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021244884A1 (en) * | 2020-06-04 | 2021-12-09 | Interdigital Vc Holdings France, Sas | Neural network based filter in video coding |
FR3112661B1 (fr) * | 2020-07-17 | 2024-02-02 | Fond B Com | Procédés de décodage d’un flux de données, dispositifs et flux de données associés |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5134396A (en) * | 1989-04-26 | 1992-07-28 | U.S. Philips Corporation | Method and apparatus for encoding and decoding data utilizing data compression and neural networks |
US20110228856A1 (en) * | 2010-02-17 | 2011-09-22 | Tandberg Telecom As | Video encoder/decoder, method and computer program product |
CN102523452A (zh) * | 2011-12-29 | 2012-06-27 | 西安空间无线电技术研究所 | 图像转换压缩传输方法 |
CN104145281A (zh) * | 2012-02-03 | 2014-11-12 | 安秉益 | 神经网络计算装置和***及其方法 |
CN107018422A (zh) * | 2017-04-27 | 2017-08-04 | 四川大学 | 基于深度卷积神经网络的静止图像压缩方法 |
CN107172428A (zh) * | 2017-06-06 | 2017-09-15 | 西安万像电子科技有限公司 | 图像的传输方法、装置和*** |
CN107197260A (zh) * | 2017-06-12 | 2017-09-22 | 清华大学深圳研究生院 | 基于卷积神经网络的视频编码后置滤波方法 |
CN107396124A (zh) * | 2017-08-29 | 2017-11-24 | 南京大学 | 基于深度神经网络的视频压缩方法 |
US20180084282A1 (en) * | 2012-09-26 | 2018-03-22 | Velos Media, Llc | Image coding method, image decoding method, image coding apparatus, image decoding apparatus, and image coding and decoding apparatus |
US20180089561A1 (en) * | 2016-09-26 | 2018-03-29 | Splunk Inc. | Automatically generating field extraction recommendations |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107147603B (zh) * | 2017-05-05 | 2019-10-08 | 西安电子科技大学 | 基于多神经网络的dbpsk解调方法 |
-
2018
- 2018-04-25 CN CN201810380105.2A patent/CN110401836B/zh active Active
- 2018-04-25 CN CN202210623408.9A patent/CN115115720A/zh active Pending
-
2019
- 2019-03-27 WO PCT/CN2019/079807 patent/WO2019205871A1/zh active Application Filing
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5134396A (en) * | 1989-04-26 | 1992-07-28 | U.S. Philips Corporation | Method and apparatus for encoding and decoding data utilizing data compression and neural networks |
US20110228856A1 (en) * | 2010-02-17 | 2011-09-22 | Tandberg Telecom As | Video encoder/decoder, method and computer program product |
CN102523452A (zh) * | 2011-12-29 | 2012-06-27 | 西安空间无线电技术研究所 | 图像转换压缩传输方法 |
CN104145281A (zh) * | 2012-02-03 | 2014-11-12 | 安秉益 | 神经网络计算装置和***及其方法 |
US20180084282A1 (en) * | 2012-09-26 | 2018-03-22 | Velos Media, Llc | Image coding method, image decoding method, image coding apparatus, image decoding apparatus, and image coding and decoding apparatus |
US20180089561A1 (en) * | 2016-09-26 | 2018-03-29 | Splunk Inc. | Automatically generating field extraction recommendations |
CN107018422A (zh) * | 2017-04-27 | 2017-08-04 | 四川大学 | 基于深度卷积神经网络的静止图像压缩方法 |
CN107172428A (zh) * | 2017-06-06 | 2017-09-15 | 西安万像电子科技有限公司 | 图像的传输方法、装置和*** |
CN107197260A (zh) * | 2017-06-12 | 2017-09-22 | 清华大学深圳研究生院 | 基于卷积神经网络的视频编码后置滤波方法 |
CN107396124A (zh) * | 2017-08-29 | 2017-11-24 | 南京大学 | 基于深度神经网络的视频压缩方法 |
Non-Patent Citations (1)
Title |
---|
TONG CHEN等: "DeepCoder: A Deep Neural Network Based Video Compression", 《2017 IEEE VISUAL COMMUNICATIONS AND IMAGE PROCESSING (VCIP)》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114501031A (zh) * | 2020-11-13 | 2022-05-13 | 华为技术有限公司 | 一种压缩编码、解压缩方法以及装置 |
WO2022100173A1 (zh) * | 2020-11-13 | 2022-05-19 | 华为技术有限公司 | 一种视频帧的压缩和视频帧的解压缩方法及装置 |
EP4231644A4 (en) * | 2020-11-13 | 2024-03-20 | Huawei Technologies Co., Ltd. | METHOD AND APPARATUS FOR VIDEO FRAME COMPRESSION AND METHOD AND APPARATUS FOR VIDEO FRAME DECOMPRESSION |
CN114630132A (zh) * | 2020-12-10 | 2022-06-14 | 脸萌有限公司 | 视频编解码的基于神经网络的环路内滤波器中的模型选择 |
US11716469B2 (en) | 2020-12-10 | 2023-08-01 | Lemon Inc. | Model selection in neural network-based in-loop filter for video coding |
CN114630132B (zh) * | 2020-12-10 | 2023-12-19 | 脸萌有限公司 | 视频编解码的基于神经网络的环路内滤波器中的模型选择 |
WO2023011420A1 (zh) * | 2021-08-05 | 2023-02-09 | 华为技术有限公司 | 编解码方法和装置 |
WO2024012474A1 (zh) * | 2022-07-14 | 2024-01-18 | 杭州海康威视数字技术股份有限公司 | 一种基于神经网络的图像解码、编码方法、装置及其设备 |
Also Published As
Publication number | Publication date |
---|---|
CN115115720A (zh) | 2022-09-27 |
CN110401836B (zh) | 2022-04-26 |
WO2019205871A1 (zh) | 2019-10-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110401836A (zh) | 一种图像解码、编码方法、装置及其设备 | |
Helwegen et al. | Latent weights do not exist: Rethinking binarized neural network optimization | |
CN109840531B (zh) | 训练多标签分类模型的方法和装置 | |
Piergiovanni et al. | Tiny video networks | |
Sun et al. | Dynamic network quantization for efficient video inference | |
CN109615073A (zh) | 一种神经网络模型的构建方法、设备以及存储介质 | |
JP2019028971A (ja) | 異常トラフィックを探知する方法および装置 | |
CN109165720A (zh) | 神经网络模型压缩方法、装置和计算机设备 | |
CN113609495A (zh) | 用于同态加密处理的设备和方法、包括该设备的*** | |
Lee et al. | An end‐to‐end joint learning scheme of image compression and quality enhancement with improved entropy minimization | |
Xia et al. | Fully dynamic inference with deep neural networks | |
CN110781740B (zh) | 一种视频画质识别方法、***及设备 | |
CN114731455B (zh) | 使用与图像质量相关的ai元数据的设备和方法 | |
EP3744008B1 (en) | Electronic apparatus for compression of data and compression method thereof | |
US10608664B2 (en) | Electronic apparatus for compression and decompression of data and compression method thereof | |
KR20190125029A (ko) | 시계열 적대적인 신경망 기반의 텍스트-비디오 생성 방법 및 장치 | |
Jiang et al. | Context-integrated and feature-refined network for lightweight object parsing | |
Wang et al. | Quantformer: Learning extremely low-precision vision transformers | |
Le Tan et al. | DeepVQ: A deep network architecture for vector quantization | |
Lin et al. | Multistage spatial context models for learned image compression | |
CN110633735A (zh) | 基于小波变换的渐进式深度卷积网络图像识别方法及装置 | |
US11574180B2 (en) | Methods for learning parameters of a convolutional neural network, and classifying an input datum | |
Wang et al. | Variance priority based cooperative co-evolution differential evolution for large scale global optimization | |
KR102456690B1 (ko) | 강화학습에 기반한 gop 선택 방법 및 분석장치 | |
KR20230090716A (ko) | 연사 영상 기반의 영상 복원 방법 및 장치 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |