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