(3.235.108.188) 您好!臺灣時間:2021/02/27 03:47
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果

詳目顯示:::

我願授權國圖
: 
twitterline
研究生:顏瑞成
研究生(外文):YAN, RUI-CHENG
論文名稱:運動補償影像編碼及其類神經網路之架構
論文名稱(外文):Motion-compensated image coding and its ueural network architecture
指導教授:張翔張翔引用關係
指導教授(外文):ZHANG, XIANG
學位類別:博士
校院名稱:國立清華大學
系所名稱:電機工程研究所
學門:工程學門
學類:電資工程學類
論文種類:學術論文
論文出版年:1992
畢業學年度:80
語文別:中文
論文頁數:89
中文關鍵詞:運動補償影像編碼類神經網路架構
相關次數:
  • 被引用被引用:0
  • 點閱點閱:79
  • 評分評分:系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:0
本論文提出了一個運動補償影像編碼(motion-compensated image coding) 新技術
及其類神經網路(artificial neural network) 之架構。
首先,在沒有小位移的假設下,我們提出了一個新的運動補償影像編碼架構以降低
全面搜尋演算法(full search algorithm) 的計算複雜度。此架構具有如下的優點

(1) 每一區塊(block) 先經由所謂的“特徵映射”(characteristic mapping)萃取
重要的特徵量(feature) 之後再做比對,所以減少了比對兩區塊所需的資料量
同時降低了比對的時間。
(2) 就重建影像與原影像之間的誤差而言,實驗結果顯示此一方法優於那些階段式
搜尋演算法(hierarchical search algorithm) ,此一性質將降低傳送誤差畫
面所需的位元率(bit rate)。
(3) 適合大位移的連續畫面。
其次,因為MAXNET是最常見的競爭型(competitive) 類神經網路,我們指出並證明
了MAXNET在兩個情形下無法選出最大值而且收斂速度緩慢的問題。為了克服這些問
題,我們提出了一個新的類神經網路模型叫“SELECTRON” ,經由處理單元(proc-
essing unit)間的互相競爭,此架構能從一組資料中選出所有的最大值或最小值。
此外,尚有如下的三個具體結果:
(1) 我們證明了在任何的情形下SELECTRON 都會收斂到正確的答案。
(2) 推導了SELECTRON 在三種特殊資料分佈(data distribution) 下的收斂速度 (
convergence rate) 。
(3) 附加一級簡單網路以計算樣型(pattern) 間的差異程度,此架構能平行處理所
提出的運動補償影像編碼新架構。
同時,我們提出了SELECTRON 的一般化模型,基於先粗糙後精細的競爭型學習法則
(coarse-fine competitive learning algorithm),此模型能夠快速且正確的選出
一個樣型中前k個較大值或後k個較小值。
合格證明
目錄
摘要
第壹章 簡介
第貳章 問題的陳述及過去方法的介紹
第參章 運動補償影編碼新架構
第肆章 類神經網路新架構及其在運動補償影像編碼的應用
第伍章 結論與未來研究方向
Contents
Acknowledgment
Abstract
List of Figures
List of Tables
Chapter1 Introduction
1.1 Motivations
1.2 Motion-Compensated Image Coding
1.3 Artificial Neural Networks
1.4 Contribution of the Dissertation
1.5 Organization of the Dissertation
Chapter2 Problem Formulation and Previous Approaches
2.1 Problem Formulation
2.2 Traditional Black Matching Algorithms
2.3 Competitive Neural Networks
Chapter3 A New Architecture for Motion-Compensated Image Coding
3.1 Important Features of an Image
3.2 The Characteristic Mapping
3.3 The Characteristic-Mapping-Based Architecture for MC Image Coding
3.4 Comparison with Other Approaches
Chapter4 A New Winners-Take-All Architecture and Its Application to Motion-Compensated Image Coding
4.1 Problems in MAXNET
4.2 Architecture and Learning Algorithm of SELECTRON
4.3 Comparison between MAXNET and SELECTRON
4.4 Generallization of SELECTRON
4.5 Applications of SELECTRON
Chapter5 Conclusions and Directions for Future Research
Appendices
Bibliography
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
系統版面圖檔 系統版面圖檔