Please use this identifier to cite or link to this item: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/598
Title: Técnica de aprendizagem automática aplicada a um codificador HEVC em tempo real.
???metadata.dc.creator???: OLIVEIRA, Jean Felipe Fonseca de.
???metadata.dc.contributor.advisor1???: ALENCAR, Marcelo Sampaio de.
???metadata.dc.contributor.referee1???: BERNARDINO JÚNIOR, Francisco Madeiro.
???metadata.dc.contributor.referee2???: LOPES , Waslon Terllizzie Araújo.
???metadata.dc.contributor.referee3???: FARIAS, José Ewerton Pombo de.
???metadata.dc.contributor.referee4???: COSTA, Max Henrique Machado.
Keywords: HEVC;Aprendizado automático;Vetores Suportes - Máquina;Seleção de atributos;Aprendizado online;Otimização;Machine learning;Feature selection;Vectors Supports - Machine;Online Learning;Video coding optimization
Issue Date: 7-May-2018
Publisher: Universidade Federal de Campina Grande
Citation: OLIVEIRA, J. F. F. de. Técnica de aprendizagem automática aplicada a um codificador HEVC em tempo real. 94 f. Tese (Doutorado em Engenharia Elétrica) – Programa de Pós-Graduação em Engenharia Elétrica, Centro de Engenharia Elétrica e informática, Universidade Federal de Campina Grande, Paraíba, Brasil, 2016.
???metadata.dc.description.resumo???: O padrão HEVC (High Efficiency Video Coding) é o mais recente padrão para codificação de vídeos e tem uma complexidade computacional muito maior do que seu antecessor, o padrão H.264. A grande eficiência de codificação atingida pelo codificador HEVC é obtida com um custo computacional bastante elevado. Esta tese aborda oportunidades de reduzir essa carga computacional. Dessa forma, um algoritmo de decisão prematura de divisão de uma unidade de codificação é proposto para o codificador HEVC, terminando prematuramente o processo de busca pelo melhor particionamento baseado em um modelo de classificação adaptativo, criado em tempo de execução. Esse modelo é gerado por um processo de aprendizado online baseado no algoritmo Pegasos, que é uma implementação que aplica a resolução do gradiente estocástico ao algoritmo SVM (Support Vector Machine). O método proposto foi implementado e integrado ao codificador de referência HM 16.7. Os resultados experimentais mostraram que o codificador modificado reduziu o custo computacional do processo de codificação em até 50%, em alguns casos, e aproximadamente 30% em média, com perdas de qualidade desprezíveis para os usuários. De modo geral, esse processo resulta em reduzidas perdas de qualidade, no entanto, alguns resultados mostraram pequenos ganhos em eficiência de compressão quando comparados com os resultados do codificador HM 16.7.
Abstract: The most recent video coding standard, the High Efficiency Video Coding (HEVC), has a higher encoding complexity when compared with H.264/AVC, which means a higher computational cost. This thesis presents a review of the recent literature and proposes an algorithm that reduces such complexity. Therefore, a fast CU (Coding Unit) splitting algorithm is proposed for the HEVC encoder, which terminates the CU partitioning process at an early phase, based on an adaptive classification model. This model is generated by an online learning method based on the Primal Estimated sub-GrAdient SOlver for SVM (Pegasos) algorithm. The proposed method is implemented and integrated in the HEVC reference source code on its version 16.7. Experimental results show that the proposed method reduces the computational complexity of the HEVC encoder, up to 50% in some cases, with negligible losses, and shows an average computational reduction of 30%. This process results in reduced coding efficiency losses, however, some results showed a nearby 1% of BD-Rate (Bjontegaard Delta) gains in the Low Delay B configuration, without using an offline training phase.
Keywords: HEVC
Aprendizado automático
Vetores Suportes - Máquina
Seleção de atributos
Aprendizado online
Otimização
Machine learning
Feature selection
Vectors Supports - Machine
Online Learning
Video coding optimization
???metadata.dc.subject.cnpq???: Engenharia elétrica
Ciências
URI: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/598
Appears in Collections:Doutorado em Engenharia Elétrica.

Files in This Item:
File Description SizeFormat 
JEAN FELIPE FONSECA DE OLIVEIRA – TESE (PPGEE) 2016.pdf4.2 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.