【摘 要】
：
近几年人们不仅对视频清晰度与流畅度有更高的要求,也开始希望在观看视频过程中能够获得更多立体感,从而拥有更好的观看体验,由此推动了3D-HEVC编码技术的发展。3D-HEVC的编码树单元（Coding Tree Unit,CTU）内部与HEVC相同,采用基于四叉树的递归分层结构。同时,为了保留锐利边缘的高频信息,深度图像新引入了一些编码模式。编码单元（Coding Unit,CU）复杂的的四叉树结构
论文部分内容阅读
近几年人们不仅对视频清晰度与流畅度有更高的要求,也开始希望在观看视频过程中能够获得更多立体感,从而拥有更好的观看体验,由此推动了3D-HEVC编码技术的发展。3D-HEVC的编码树单元（Coding Tree Unit,CTU）内部与HEVC相同,采用基于四叉树的递归分层结构。同时,为了保留锐利边缘的高频信息,深度图像新引入了一些编码模式。编码单元（Coding Unit,CU）复杂的的四叉树结构和大量预测编码模式,严重增加了深度图像的计算复杂度。本文以降低深度图编码复杂度为目的,基于深度学习方法提出了两个深度图像快速帧内编码算法,主要内容如下:（1）针对3D-HEVC中深度图的复杂四叉树划分结构,提出了基于多尺度卷积神经网络的CU划分预测网络（Partition Decision Network,PDNet）,实现CU快速划分判别。四叉树的递归划分结构引发了不同深度CU的划分标签之间的关联性,本文将这种关联性映射到神经网络中,采用反卷积的方式,将编码单元的全局特征与局部特征相融合,一次性输出了一个CTU内的全部划分预测结果。根据不同QP不同深度的编码块特性和预测概率分布,设计了随QP与深度变化的预测概率阈值。实验结果显示,在BDBR仅增加了0.50%的基础上,利用PDNet的CU快速划分判别算法节省了54.55%的编码时间。（2）针对3D-HEVC中深度图的复杂帧内预测编码模式,本文基于DIS模式的率失真性能分析,将预测模式二分类为DIS模式和其他Intra模式。通过对DIS模式和划分标签的特征共性分析,基于PDNet的特征提取模块,本文提出了基于深度学习的CU划分预测与模式预测多任务网络（Partition-and Mode-Decision Network,PMDNet）。最终,在BDBR增加了0.89%的基础上,该算法节省了59.12%的编码时间。
其他文献
随着国内低空空域的不断开放,如何监测管理低空飞行的无人机是一个十分值得研究且具有挑战性的内容。由于红外图像传感器具备全天成像以及可以适应多种气候条件的特点,因此使用红外图像检测对低空小目标进行检测是一个不错的选择,红外小目标检测和跟踪也成为红外图像处理领域一项重要的研究内容。本文主要研究在复杂背景下,利用红外成像对低空飞行的小目标进行检测和跟踪。论文利用基于人类视觉机制（HVS,Human Vis
随着现代战场环境的改变和隐身技术在各种武器上的应用,雷达面临的挑战越来越严峻。实现对较低信噪比、难以探测的微弱目标的检测和跟踪,在现代化战争体系中具有重要价值。检测前跟踪（Track Before Detect,TBD）算法作为一种能够对微弱目标实现有效检测和跟踪的技术,值得深入探讨和研究。本文对基于粒子滤波（Particle Filtering,PF）和动态规划（Dynamic Programm
受限于红外成像系统的复杂性和探测器焦平面读出电路制造工艺的局限性,红外成像系统存在动态范围窄、对比度弱的固有缺陷。为了提高成像系统对宽动态范围场景的适应性,利用红外图像融合技术获取高动态范围红外图像成为当下红外成像领域重要的研究内容之一。红外成像技术的发展推动红外测试技术的发展,红外性能参数测试技术的提高对红外成像技术的发展和应用具有重要意义。本文基于中电十一所的中波制冷型红外探测器进行红外融合成
对于折射率不均匀的散射介质,如油漆层、云、浓雾等,介质粒子会扰乱光的传播,生成随机散斑并导致介质后方的目标物体无法被清晰识别。因此散射介质通常被认为阻碍了光学聚焦与成像。然而研究表明,散射过程是确定的。基于这种特性,近些年来出现了许多穿过散射介质实现光控制的方法。其中,波前整形技术由于其光学系统简单,原理易于实现,实时性好,在深层组织显微成像、单光纤内窥镜和扫描成像等诸多领域有重要的研究价值。本论
雷达目标识别技术是现代战争背景下武器系统作战中必不可少的环节,其工作流程为对雷达接收的回波信号进行信号处理,提取比较稳定且能体现目标区分性的特征,经过分类器判定目标类别。对平台受限、要求高实时性的场合,利用性能佳、灵活性强、成本低的步进频体制雷达进行高分辨成像是实现目标识别的重要技术之一。本文主要对步进频体制雷达回波获取的成像信息进行特征提取与识别性能分析,分别基于特征融合与深度学习技术对目标识别
近年来,随着无人机（Unmanned Aerial Vehicle,UAV）产业的高速发展,UAV在航拍成像,救援救灾,货物递送以及监视监测等领域发挥着日益重要的作用。除此之外,凭借高可控的移动性,按需部署的灵活性以及高概率的视距信道等优势,UAV通信网络成为未来无线通信网络的研究热点之一。众多研究表明,相比于传统的地面通信网络,UAV通信网络能够显著提高网络的各种性能指标。然而,UAV通信网络高
光在散射介质中传播时会与介质中的粒子相互作用而发生散射现象。经过多次散射后,其原始图像和偏振方向都将被随机扰乱,在探测面上表现为无序的光学散斑图案。目前,光在散射介质中的信息传输已成为光学领域研究的热点之一。深度学习作为近几年兴起的技术,在解决一些光学问题时展现出了良好的效果,因此,针对光在散射介质中传输时图像信息和偏振信息丢失的问题,本文探究了基于深度学习的解决方案。首先,提出了基于深度学习的散
随着高分辨雷达技术和雷达目标识别技术的发展,特征提取方法越加完善,可以从雷达回波中提取更加丰富目标特征信息。理想的点目标回波模拟方式已经不适用于此类具有高分辨特性和目标识别功能的雷达系统的功能和性能的全面验证测试,而基于固定多散射点模型的扩展目标回波模拟也逐渐难以满足对回波逼真性越来越严苛的要求。因此,利用电磁场数值计算获得的真实目标特征数据设计雷达回波模拟系统就成了雷达系统研制的迫切需求。本文以
本文围绕低轨卫星通信系统的智能天线相关技术,开展可以用于在轨动态重构的稳健方向图综合算法和能够对主瓣和旁瓣特性进行稳定控制的自适应波束形成算法的研究,并构建智能天线测试环境,开展所提出的相关算法在19阵元三角栅格智能天线系统中的实测验证。首先,针对中大规模阵列任意形状方向图综合,现有的最小均方误差准则的交替投影（Least Mean Squares Alternating Projection,L