[논문]딥러닝 기반 화면 간 예측 부호화 기법

이정경; 강제원

딥러닝 기반 화면 간 예측 부호화 기법
Deep Learning based Inter Prediction Coding Technique 원문보기

이정경 (이화여자대학교, 전자공학과) , 강제원 (이화여자대학교, 전자공학과)

본 논문에서는 비디오 부호화 과정 중 화면 간 예측 부호화 과정에 딥러닝을 적용하여 부호화 효율을 제고하는 알고리즘을 제안한다. 보다 구체적으로 딥러닝으로 생성한 가상의 픽쳐를 현재 프레임의 참조 픽쳐로 사용하는 방법에 대해 설명한다. 부호화 과정에서 복원된 픽쳐 두 장을 이용하여 가상의 보간 픽쳐를 생성하고 생성된 보간 픽쳐를 참조 프레임으로 사용하여 화면 간 예측의 효율을 높인다. 실험에 따르면 참조 픽쳐 리스트를 수정하여 참조 구조를 변경함으로써 HEVC 참조 코덱인 HM 16.9 대비 평균 1.4%의 BD-rate 감소 효율을 제공하였다.

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

그러나 화면 간 예측 부호화에 적용된 연구는 거의 시도되지 않았다. 본 논문에서는 High Efficiency Video Coding (HEVC) 부호화 과정에 딥 러닝 기반의 영상 보간 기술을 적용하여 새로운 참조 프레임을 생성함으로써 화면 간 예측 기법에 적용하는 방식을 제안한다.
본 논문에서는 딥 러닝 기반의 기술을 HEVC 부호화의 화면 간 예측에 적용하는 방법을 제안하였다. 제안 방법의 실험 결과, 기존 방법보다 평균 약 1.

제안 방법

가상 픽쳐를 생성하기 위해 두 장의 입력 픽쳐에 대해 시간적으로 중간에 위치해 있는 보간 픽쳐를 생성하는 뉴럴 네트워크를 사용한다. 보간을 위한 여러 딥러닝 구조 중 Adaptive separable convolution network(Sepconv)[6] 네트워크를 사용한다.
HEVC 의 임의 접근 모드 (Random Access)는 GOP (Group Of Pictures) 단위로 화면 내 예측만 수행하는 I-슬라이스를 주기적으로 넣고 B-슬라이스를 통해 단방향과 양방향 예측 모드를 선택하여 화면 간 예측 부호화를 수행한다. 현재의 픽쳐와 상관도가 높은 몇 개의 복원 픽쳐를 복호화 픽쳐 버퍼(DPB:Decoded Picture Buffer)에 저장하고, 참조 픽쳐로 사용하여 예측을 한다. 참조 픽쳐는 현재 픽쳐를 기준으로 디스플레이 순서에 따라 참조 픽쳐 리스트 0 과 참조 픽쳐 리스트 1 에 저장한다 [1].

대상 데이터

9 에서 공통 실험 조건 CTC (Common Test Condition)[7]을 참고하여, 제안하는 방법의 성능을 비교하였다. 실험은 HM 16.9 에서 GOP 의 수는 8 로 설정 후 실험을 진행하였다. Sepconv 모델은 별도의 재학습이 없이 기존 사전학습(pre-trained) 모델을 사용하였다.

데이터처리

실험 조건 본 논문에서 제안하는 HEVC 부호화 시 참조 픽쳐 리스트 구성 변경의 성능을 평가하기 위하여 HEVC 참조 소프트웨어인 HM 16.9 에서 공통 실험 조건 CTC (Common Test Condition)[7]을 참고하여, 제안하는 방법의 성능을 비교하였다. 실험은 HM 16.

이론/모형

9 에서 GOP 의 수는 8 로 설정 후 실험을 진행하였다. Sepconv 모델은 별도의 재학습이 없이 기존 사전학습(pre-trained) 모델을 사용하였다.
가상 픽쳐를 생성하기 위해 두 장의 입력 픽쳐에 대해 시간적으로 중간에 위치해 있는 보간 픽쳐를 생성하는 뉴럴 네트워크를 사용한다. 보간을 위한 여러 딥러닝 구조 중 Adaptive separable convolution network(Sepconv)[6] 네트워크를 사용한다. Sepconv 의 구조는 다른 네트워크에 비해 보간 픽쳐를 예측하는 성능도 뛰어나며 적은 수의 파라미터로 학습이 가능하다.

성능/효과

실험 결과 기존 부호화 방식 대비 깊이 딥러닝 기반 참조 픽쳐 리스트 구성을 통한 부호화 방식은 평균적으로 약 1.4%의 BD-rate 감소 효율을 제공하였다.
본 논문에서는 딥 러닝 기반의 기술을 HEVC 부호화의 화면 간 예측에 적용하는 방법을 제안하였다. 제안 방법의 실험 결과, 기존 방법보다 평균 약 1.4%의 BD-rate 를 개선하였다. HEVC 부호화의 화면 간 예측 기법에 딥 러닝 기법을 적용한다는 점에 의의를 가진다.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

딥러닝 기반 화면 간 예측 부호화 기법
Deep Learning based Inter Prediction Coding Technique 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

딥러닝 기반 화면 간 예측 부호화 기법 Deep Learning based Inter Prediction Coding Technique 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

딥러닝 기반 화면 간 예측 부호화 기법
Deep Learning based Inter Prediction Coding Technique 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper