当前位置:首页 > 报告详情

2. 信源信道联合编码—从图像到任务(范晓鹏).pdf

上传人: 2*** 编号:144959 2023-10-28 54页 10.61MB

1、范晓鹏哈尔滨业学 教授信源信道联合编码从图像到任务一背景二三四数模混合视频通信信源信道联合编码五基于深度学习的图像编码基于深度学习的多任务JSCC背景图像视频占互联网流量的90%(2013年)背景压缩效率不断提升背景容错性差问题 无线条件下如何提升视频抗噪能力信源信道联合信源编码信道编码调制式:BPSK、QPSK、MPSK、QAM信道码:LDPC、Turbo、Polar码流级具:可分级、多路码流切换帧级:MDC、冗余帧块级:Intra refresh、FMO广义的信源信道联合编码就是信源和信道编码的联合优化可以一定程度提升鲁棒性信源信道联合编码 提高鲁棒性的视频编码工具 另外还有可分级编码、l

2、oss-aware RDO等信源信道联合编码 信道编码工具面临的问题悬崖效应 无信道码保护时Xiaopeng Fan,Junhao Song,Daniel P.Palomar,Oscar Au,Universal Binary Semidefinite Relaxation for ML Signal Detection,IEEE Trans.Communications,vol.61,no.11,pp.4565-4576,2013面临的问题悬崖效应 信道码保护后出现悬崖面临的问题悬崖效应 视频数据的抗噪能力弱Xiaopeng Fan,Oscar C.Au,Mengyao Ma,Ling Ho

3、u,Jiantao Zhou and Ngai Man Cheung,“Transcoding Based Robust Streaming of Compressed Video,”in IEEE International Conference on Acoustics,Speech,and Signal Processing(ICASSP 2009),Apr.2009.悬崖效应信道SNRC=R信源信道联合编码信源编码信道编码信源信道联合编码=12log!xx=!#!+#!悬崖效应信道SNR分离的编码信源信道联合编码可分级编码+信道码+HM视频数据信道码可分级编码+信道码+HM数模混合视频

4、通信SoftcastS.Jakubczak,H.Rahul,and D.Katabi.One-Size-Fits-All Wireless Video.In Proc.Eighth ACM SIGCOMM HotNets Workshop,New York City,NY,October 2009数模混合视频通信 存在的两个问题S.Jakubczak,H.Rahul,and D.Katabi.One-Size-Fits-All Wireless Video.In Proc.Eighth ACM SIGCOMM HotNets Workshop,New York City,NY,October

5、2009VS数模混合视频通信DCastu陪集码的能量分配u运动矢量的能量分配u能量失真优化马尔可夫随机场功率谱密度Xiaopeng Fan,Feng Wu,Debin Zhao,Oscar C.Au,Distributed Wireless Visual Communicaon with Power Distoron Opmizaon,IEEE Trans.Circuits Syst.Video Technol.,vol.23,no.6,pp.1040 1053,2013.(pdf)数模混合视频通信LayerCastXiaopeng Fan,Feng Wu,Debin Zhao,Oscar C

6、.Au,Distributed Wireless Visual Communicaon with Power Distoron Opmizaon,IEEE Trans.Circuits Syst.Video Technol.,vol.23,no.6,pp.1040 1053,2013.(pdf)u块之间的能量分配数模混合视频通信其他Cast Chaofan He,Yang Hu,Yan Chen,Xiaopeng Fan,Houqiang Li,Bing Zeng,“MUcast:Linear UncodedMultiuser Video Streaming with Channel Assi

word格式文档无特别注明外均可编辑修改,预览文件经过压缩,下载原文更清晰!
三个皮匠报告文库所有资源均是客户上传分享,仅供网友学习交流,未经上传用户书面授权,请勿作商用。
本文主要探讨了深度学习在图像编码和视频通信中的应用。首先,介绍了深度学习驱动的图像压缩技术,如基于变分自动编码器和卷积神经网络的端到端压缩方法。其次,讨论了深度学习在信源信道联合编码中的应用,包括带反馈的Deep JSCC和SNR自适应的Deep JSCC。此外,还提出了面向分类任务的信源信道联合编码方法。文章还介绍了基于深度学习的多任务图像特征提取技术,如Fast RCNN和Mask-RCNN。最后,探讨了深度学习在多任务网络中的作用,如Deep JSCC的星座图设计和神经元激发传输。关键数据包括:深度学习图像压缩技术在AWGN和BEC信道上的维度压缩比,以及深度学习多任务特征提取技术在各类数据集上的性能表现。
"深度学习如何重塑视频通信?" "如何通过深度学习实现视频压缩与传输?" "深度学习在多任务图像特征提取中的应用有哪些?"
客服
商务合作
小程序
服务号
折叠