[发明专利]用于以缩放因子进行基于DNN的交叉分量预测的内容自适应在线训练在审
| 申请号： | 202280008185.3 | 申请日： | 2022-05-31 |
| 公开（公告）号： | CN116583850A | 公开（公告）日： | 2023-08-11 |
| 发明（设计）人： | 林晟;蒋薇;王炜;丁鼎;刘杉;许晓中 | 申请（专利权）人： | 腾讯美国有限责任公司 |
| 主分类号： | G06N3/02 | 分类号： | G06N3/02 |
| 代理公司： | 北京康信知识产权代理有限责任公司 11240 | 代理人： | 刘晓燕 |
| 地址： | 美国加利福尼亚州*** | 国省代码： | 暂无信息 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 用于 缩放 因子 进行 基于 dnn 交叉 分量 预测 内容 自适应 在线 训练 | ||
1.一种用于在编码或解码期间以缩放因子进行基于神经网络NN的交叉分量预测的方法，其特征在于，所述方法由一个或多个处理器执行，所述方法包括：
以至少一个或多个缩放因子来训练深度神经网络DNN交叉分量预测CCP模型，其中，所述至少一个或多个缩放因子是通过基于包括亮度分量的输入视频序列对率失真损失进行优化所学习到的因子；
使用训练的DNN CCP模型，基于所述亮度分量重构色度分量，其中，所述训练的DNN CCP模型是以所述至少一个或多个缩放因子训练得到的、用于色度预测的模型；
使用所述一个或多个缩放因子来更新所述训练的DNN CCP模型，以用于所述输入视频序列的色度预测；以及
以所述一个或多个缩放因子使用所述更新的DNN CCP模型来执行所述输入视频序列的色度预测。
2.根据权利要求1所述的方法，其特征在于，所述更新所述训练的DNNCCP模型包括基于所述一个或多个缩放因子优化所述训练的DNNCCP模型的一个或多个偏置参数。
3.根据权利要求1所述的方法，其特征在于，所述更新所述训练的DNNCCP模型包括基于所述一个或多个缩放因子优化所述训练的DNNCCP模型的一个或多个权重参数。
4.根据权利要求1所述的方法，其特征在于，所述更新所述训练的DNNCCP模型包括基于所述一个或多个缩放因子联合优化所述训练的DNN CCP模型的一个或多个偏置参数和一个或多个权重参数。
5.根据权利要求1所述的方法，其特征在于，所述更新所述训练的DNNCCP模型包括以所述一个或多个缩放因子优化所述训练的DNNCCP模型的一层或多层中的一个或多个参数。
6.根据权利要求5所述的方法，其特征在于，所述一层或多层包括所述训练的DNN CCP模型的一个或多个卷积层。
7.根据权利要求5所述的方法，其特征在于，所述一层或多层包括所述训练的DNN CCP模型的一组最终层。
8.根据权利要求5所述的方法，其特征在于，所述一层或多层包括具有相同层属性的所述训练的DNN CCP模型的所有层。
9.根据权利要求1所述的方法，其特征在于，所述更新所述训练的DNNCCP模型还包括基于单个视频序列或一组视频序列更新所述训练的DNN CCP模型。
10.根据权利要求1所述的方法，其特征在于，所述重构的色度分量的质量计算基于来自其他预测模式的一个或多个色度分量以及与所述重构的色度分量相关联的原始色度分量。
11.根据权利要求1所述的方法，其特征在于，所述更新所述训练的DNNCCP模型还包括：
计算更新的神经网络模型的第一压缩性能，其中，所述更新的神经网络模型包括以所述一个或多个缩放因子优化的一个或多个参数；
计算所述训练的DNN CCP模型的第二压缩性能，其中，所述训练的DNN CCP模型包括一个或多个相关参数；以及
基于所述第一压缩性能和所述第二压缩性能的比较，确定是否更新所述训练的DNNCCP模型，以包括以所述一个或多个缩放因子优化的所述一个或多个参数，其中，所述第一压缩性能和所述第二压缩性能高于阈值。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于腾讯美国有限责任公司，未经腾讯美国有限责任公司许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/202280008185.3/1.html，转载请声明来源钻瓜专利网。
