H.264帧内预测模式判定快速算法研究

帧内预测是 H.264编码中用来提升帧内编码压缩效率的编码工具,它通过计算和比较多种帧内预测模式下的宏块率失真代价,并选择最优的帧内预测模式来充分消除图像信号的空间冗余,提升视频信号帧内编码的压缩效率,但多种帧内预测模式下的宏块率失真代价计算使帧内编码运算量成倍增长,阻碍了其实际应用.为此,提出一种帧内预测模式判定快速算法,以提升 H.264帧内编码的计算效率.该算法包括3个部分:1)加快4×4帧内预测模式判定的两级预测模式判定快速算法;2)加快宏块帧内预测模式判定的亮度分量帧内预测分区类型提前判定算法;3)融合上述2种算法的宏块帧内预测模式快速判定流程.测试结果显示,与H.264标准参考编解码器 JM10.1相比,所提算法编码时间节省52%左右,峰值信噪比仅下降0.03 dB,码率增长约为2.5%.由此证明,所提算法能在保持视频压缩效率基本不变的前提下,有效提升视频编码的运算效率     

H.264帧内预测模式的研究

H.264帧内预测技术是提高视频压缩比的关键,一方面,可以提高I帧的压缩效果,有利于视频码流速率的控制,这在实际的网络传输中具有重要的意义;另一方面,当帧间预测找不到匹配块的时候,可用帧内预测来达到好的压缩效果.介绍了H.264帧内预测模式,分析了采用RDO技术下帧内模式选择过程,并详细研究了X264开源代码的帧内预测...     

一种针对H.264/AVC中4×4块的快速帧内预测模式选择算法

帧内预测模式计算量很大,确定一个MB的预测模式需要耗费上百种组合模式的RD代价,因此有必要研究RDO模式下的快速帧内预测模式选择快速算法.本文提出了针对4×4块的帧内预测快速三步算法,利用不同预测方向间RD值的紧密联系可以有效找到最小值周围的预测方向,从而跳过其他不可能的预测模式.此算法仅仅需要检测6种模式,而全搜索算法为9种模式.仿真结果显示,该算法能够获得和全搜索相似的PSNR质量,仅增加约1%比特率.     

一种针对H.264／AVC中4×4块的快速帧内预测模式选择算法

帧内预测模式计算量很大，确定一个MB的预测模式需要耗费上百种组合模式的RD代价，因此有必要研究RD0模式下的快速帧内预测模式选择快速算法。本文提出了针对4×4块的帧内预测快速三步算法，利用不同预测方向问RD值的紧密联系可以有效找到最小值周围的预测方向，从而跳过其他不可能的预测模式。此算法仅仅需要检测6种模式，而全搜索算法为9种模式。仿真结果显示，该算法能够获得和全搜索相似的PSNR质量，仅增加约1％比特率。     

H.264帧间模式选择快速算法

为了解决H·264采用的全宏块搜索模式带来的巨大运算量问题,本文提出了一种快速模式选择算法。通过对运动矢量差值的判定确定宏块分割模式,从而减少了运算量。实验结果表明,此算法与全宏块搜索模式相比,在图像质量和码率有少量变化的前提下,编码速度显著提高。此算法的提出对实现H·264实时编码有重要意义。     

一种新的H.264帧内预测快速算法

针对P帧,提出一种基于时域和空域联合的帧内预测模式快速判别算法。该方法由时域和空域的相关性分别得到一个最可能帧内预测模式,基于一定的准则缩小待选模式个数,避免了不必要的RDO计算。     

基于VVC的多方向细化Merge模式优化算法

针对多功能视频编码标准VVC帧间预测中,Merge模式未充分考虑运动存在的多种方向性从而降低了预测精度的问题,提出了一种基于VVC的多方向细化Merge模式优化算法。本算法在分析带运动矢量差的Merge技术的基础上,首先调整了步长选择范围并增加多种搜索方向,然后根据步长自适应选择色度块的运动补偿方式,并最终根据率失真代价准则选择最优的运动矢量信息。实验结果表明,本文算法与VTM-12.0参考模型相比,在低延迟P帧配置下Y、U、V三分量的BD-rate分别平均下降了0.57%、0.62%、0.25%,在随机接入配置下的BD-rate中Y分量下降了0.27%、U分量仅提高了0.11%、V分量降低了0.04%,有效地提升了Merge模式的编码性能。     

基于深度学习的特高压直流闭锁故障智能调度决策

针对特高压直流闭锁故障的处置策略问题,提出一种基于深度学习的故障特征建模方法及故障后电网调度策略生成方法,所提智能调控决策依据电网直流故障特征和运行环境信息,通过大数据驱动模型训练得到故障后的调度策略。首先根据故障环境信息,利用故障影响相关性提取有效故障信息,构建故障特征模型。然后介绍深度学习类神经网络原理和多层感知器模型,提出利用深度网络提取训练故障前后运行特征,自动生成调控策略的思路。之后利用反向传播算法构建深度学习框架,通过不断计算损失函数和准确率修正训练模型,自动生成有效故障处置策略。最后利用锦苏直流特高压线路相关的电力系统验证了所提方法的有效性。     

基于深度强化学习的主动配电网高恢复力决策方法

随着全球极端天气事件频发,电力系统在极端自然灾害下恢复力的研究日益受到关注。本文提出基于深度强化学习的高恢复力决策方法,将极端灾害下配电网运行状态和线路故障状态作为观测状态集合,自学习智能体Agent在当前环境观测状态下寻求可行的决策策略进行动作,定义自学习Agent的回报函数以进行动作评价;采用观测状态数据,开展基于竞争深度Q网络(dueling deep Q network,DDQN)的深度强化学习(deep reinforcement learning,DRL)训练,智能体Agent通过试错学习方式选择动作,试错经验在估值函数Q矩阵中存储,实现状态到主动配电网实时故障恢复策略的非线性映射;最后结合改进的IEEE 33节点算例,基于蒙特卡罗法仿真随机故障场景,对所提出方法生成的故障恢复随机优化决策进行分析。结果表明:通过主动配电网的分布式电源、联络开关和可中断负荷的协调优化控制,可以有效提升极端灾害下供电能力。     

基于深度强化学习的配电网负荷转供控制方法

随着城市规模的快速扩张以及电能替代的不断推进,配电网节点数大量增加,结构愈加复杂,发生故障后拓扑变化不确定性较大,传统负荷转供方法难以在短时间内给出高质量的解决方案。为此,提出基于深度强化学习的配电网负荷转供控制方法。将负荷转供过程视为一个马尔可夫决策过程,与配电网实时电气、拓扑数据进行交互,对联络开关与分段开关进行控制。为了提高算法的精度与泛化能力,针对算法动作策略加入了预模拟机制,调整了动作与学习的比例并采用自适应优化算法进行求解。算例分析表明,所提方法能够应对不同故障下配电网的拓扑变化,即时给出负荷恢复量、电网损耗、开关动作次数多方面最优的转供控制方案,这对于减小故障后的停电损失与提高用户满意度有着重要意义。     

基于深度学习的目标检测算法综述

传统的目标检测算法及策略已经难以满足目标检测中数据处理的效率、性能、速度和智能化等各个方面要求.深度学习通过对大脑认知能力的研究和模仿以实现对数据特征的分析处理,具有强大的视觉目标检测能力,成为了当前目标检测的主流算法.首先回顾了传统目标检测的发展以及存在的问题;其次介绍以R-CNN为代表的结合region proposal和卷积神经网络(CNN)分类的目标检测框架(R-CNN、SPP-NET、Fast R-CNN、Faster R-CNN);然后介绍以YOLO算法为代表的将目标检测转换为回归问题的目标检测框架(YOLO、SSD);最后对深度学习的目标检测算法存在的问题做出总结,以及未来的发展方向.     

基于深度迁移学习的天气图像识别

当对天气图像等场景复杂和特征不明显的图像进行识别时,往往存在识别率不高和特征冗余等问题。基于此,本文提出了一种基于深度迁移学习的图像分类算法。该算法利用ImageNet数据集的模型参数构建ResNeXt、Xception以及SENet 3种网络模型提取图像特征,采用领域自适应的判别联合分布自适应算法来相似化特征向量,完成高质量的特征表示,并以其结果为准则融合模型特征,将融合特征经过多层感知机训练以实现高准确率识别的图像分类。实验结果表明,该算法的性能优于传统的单一网络模型,进一步提升了图像分类准确率的上限。     

基于变分模态分解和深度门控网络的径流预测

为提高水库中长期入库径流预测精度,提出变分模态分解、相空间重构和深度门控网络相结合的径流组合预测模型。首先对历史径流数据进行变分模态分解,产生多个模态分量;接着将分解得到的模态分量重构到高维特征空间,形成深度学习的输入;然后利用深度门控网络获取历史径流详细特征并进行预测;最后累加各模态分量的预测值完成重构。以白山水库为例,将所建模型分别与单一预测模型和其他组合预测模型进行对比分析。结果表明：所建模型能有效分解非平稳性的径流序列,充分学习内嵌的水文规律,预测误差最小,且在整个测试集上分布更为合理,拟合优度检验值最高。研究结果可为水库水资源规划管理提供技术依据。     

基于深度学习的三峡水库实时防洪调度模型北大核心CSCD

水库实时调度需要考虑多种约束条件及综合目标,具有较高复杂度。本文以三峡水库实时防洪调度为研究对象,提出一种基于深度学习的水库实时防洪调度模型。研究模拟三峡水库实时调度过程,生成训练样本数据。基于样本数据生成高维张量输入数据,通过网络参数训练提取高维数据特征以学习拟合水库实时调度模式。基于深度卷积神经网络实时调度模型在训练过程中提取闸门数据特征,模型中采用强化学习算法,迭代优化模型参数,随着样本数据不断更新,通过在线学习实现最优调度决策。实例研究表明,水位实时控制和下泄流量实时控制模型模拟的下泄流量与实际数据相对误差分别为1.4%和1.0%左右,该深度学习模型有较好的收敛性,能够应用于水库实时调度。     

基于深度学习的PCB缺陷检测研究

印刷电路板(PCB)是保障电子设备产品可靠性的关键因素.因此,对于PCB板的缺陷检测是一项基本和必要的工作.当前PCB缺陷检测方面已经取得了很大进步,但由于PCB板缺陷的多样性、复杂性以及微小性,传统检测方法仍然难以应对.针对PCB板复杂性和微小性问题,文中提出了一种基于深度学习的PCB微小缺陷检测网络,命名为UF-N...     

基于深度学习的室内定位系统设计与实现

设计并实现了一个基于深度学习的室内定位系统,该系统分为信息采集模块、地磁定位模块、深度神经网络定位模块及联合定位模块4个模块。首先利用智能手机传感器采集室内地磁信号,以地理位置为标签保存为位置指纹文件。通过粒子滤波算法计算得出用户地理位置。然后使用深度神经网络模型和当前扫描的数据预测行人位置,最后对用户位置进行校正,消除地磁定位的累计误差。将基于深度学习的室内定位方法在Android平台实现并进行相应测试。实验结果表明,改进后的地磁室内定位的平均误差为2.2m,较只使用地磁定位技术进行定位时,定位误差平均降低了2.3m,具有更高的定位精度。     

基于深度学习的人群计数算法综述

人群计数在视频监控、公共安全、智能商业等许多领域都有广泛的应用,近年来,随着深度学习的不断发展,人群计数已经成为计算机视觉领域研究的热点之一。本文根据提取特征方式的不同,将人群计数分为两类一类是传统方法,另一类是基于深度学习的方法,对基于卷积神经网络的方法进行重点分析和介绍;进一步介绍了人群计数领域的基准数据集和其他代表性数据集,实验结果表明,在人群密集和尺度变化较大的场景,基于卷积神经网络的方法优于传统方法,在尺度变化较大、人群较复杂的场景中多列网络比单列网络计数更加准确,效果更好;最后讨论了算法的未来发展方向。