分布式压缩视频感知DCVS
来源:互联网 发布:帝国最后的荣耀知乎 编辑:程序博客网 时间:2024/05/22 00:30
1、 分布式压缩感知
图1
分布式压缩感知的基础是联合稀疏模型,即JSM模型,目前有三种,其中JSM-1:信号集中的信号之间相关性很强,每个信号都由公共信号部分和独立信号部分组成,且均稀疏。
2、 分布式视频压缩感知
文献[1]:DISTRIBUTED COMPRESSIVE VIDEO SENSING, Li-Wei Kang and Chun-Shien Lu,ICASSP。作者提出分布式压缩视频感知,编码端独立每一帧的测量,根据JSM-1模型,key frame 需要更多的测量,non-key frame可以减少测量数目。解码端对key frame直接进行GPSR重构,对于non-key frame重构时,需要利用key frame的边信息(side information)进行辅助重构。不失一般性,设有两个帧,Xt Xt+1,对Xt进行直接重构得到Xt的估计,由于前一时刻与后一时刻均有公共部分,因此将Xt的估计作为Xt+1的估计,辅助重构Xt+1。
文献[2]:Dynamic measurement rate allocation for distributed compressive video sensing,Hung-Wei Chen, Li-Wei Kang,SPIE。 作者基于上篇文章,提出将CS帧(non-key帧)进行分块处理,key frame不分块,这样好处是key frame重构质量高,继而提供边信息进行联合重构,提高整体恢复质量。对于分块CS帧,作者设计了自适应确定测量率。
同一时期关于分布式压缩视频感知的论文有三篇:
(1)distributed compressive video sensing,台湾中央研究院,ICASSP 2009 ,April 19-24
(2)distributed video coding using compressive sampling ,马毅等,PCS 2009 ,May 6-8
(3)distributed compressed video sensing,Lu Gan 等,ICIP 2009,November 7-10
论文(1):
论文(2):
论文(3):
总结:
1. 基于frame的测量稀疏性较基于块的更好,能够获得全局信息。基于块能获得局部信息,重构质量较高,但存在块效应。
2. 基于块的CS灵活性较高,能够根据不同块设计不同基、测量矩阵,适合尺寸较大的图像流。
3. 在论文(1)中,key frame采用基于frame的测量,原因是其重构质量更高?
4. 论文(1),对于key frame和non-key frame均采用CS测量,编码端简单。论文(2)(3)对于key frame采用传统的方式,恢复质量高,但编码端较复杂。
5. 论文(2)未具体讲述如何进行最优的块预测??
在(二)中文献(1)的基础上,作者发表了文献(4)、文献(5)
文献(5):DICTIONARY LEARNING-BASED DISTRIBUTED COMPRESSIVE VIDEO SENSING,台湾中央研究院liweikang,PCS2010
文献(6):Dynamic measurement rate allocation for distributed compressive video sensing,台湾中央研究院liweikang,VCIP2010
个人认为文献(5)借鉴了文献(2)中字典的设计,并把K-SVD算法引入,得到此篇文章。
字典学习步骤:
1.当前帧的前一key frame和后一key frame得到It(side information )。
2.对上述三帧进行分块,对每个块提取9个training patches(哪9个?)。
3.利用上述patches,根据K-SVD算法训练得到字典Dt。
side information:根据分布式压缩视频感知(一)中分布式视频编码框架,由已解码的key frame和之前的WZ帧生成side information,它的作用在于作为当前帧的估计,利用该边信息和接收到的WZ帧一起得到当前帧的解码。一般做法是:在相邻的两个key frame之间利用运动估计得到插值帧的运动轨道,利用运动补偿生成边信息。
个人认为文献(6)借鉴了文献(2)中的反馈机制,设计了基于解码端已重构帧的相应块的稀疏性的动态测量率。该节在分布式压缩视频感知(一)提到,此处略。
文献(6)distributed compressive video sensing: a review of the state-of-the-art architectures,M2VIP 2012.11
文献(7)Adaptive Dictionary Learning for Distributed Compressive Video Sensing ,期刊JDCTA(EI检索),2012
作者综合前几篇文献之后提出,编码端将key frame和CS frame均采用基于块的CS测量,CS frame量化后的向量进行编码;解码端,key frame采用基于字典的重构,区别与以往文献。作者对文献(6)cs frame的分块的动态测量策略进行改进,使用局部稀疏和remote joint sparstity,局部稀疏性通过计算SI代替当前帧(feedback)
个人感觉remote joint sparstity来设计编码端测量率是有问题的,另外SKIP机制说的也不清楚。上述之外作者的改进:利用modified MOD训练字典。
原文地址:http://blog.sina.com.cn/u/1726197622
0 0
- 分布式压缩视频感知DCVS
- 基于压缩感知的分布式视频编码框架matlab代码
- 压缩感知
- 压缩感知
- 压缩感知
- 压缩感知
- 基于压缩感知的视频跟踪算法综述
- 压缩感知或压缩传感
- 图像压缩Vs.压缩感知
- 压缩感知--陶哲轩
- 压缩感知科普文两则
- 压缩感知参考文献
- 压缩感知参考文献续
- 压缩感知经典文献
- 压缩感知应用FAQ
- 压缩感知相关文章
- 分析压缩感知
- 压缩感知--续
- as
- 常用字符串长度计算函数
- 数据挖掘十大经典实用算法及OpenCV算法
- Build Active Architecture Only属性
- Hamachi 原理 和 功能
- 分布式压缩视频感知DCVS
- javascript的事件冒泡和事件捕获
- STM32笔记-PWM
- 文章标题测试500
- 存储网络技术
- <摘> appium for windows 环境搭建
- Opencv 特征提取总结
- 体验常成员函数
- 金庸笔下的良好代码风格