• 정보처리학회논문지B
• /
• 제11B권2호
• /
• pp.177-186
• /
• 2004

비디오 압축에 사용되는 움직임 예측은 많은 계산과정을 요구하기 때문에 전체적인 부호기 복잡도를 높이는 단점을 지닌다. 이러한 부호기의 복잡도를 줄이기 위해 3D-WT과 같은 움직임 예측을 사용하지 않는 연구들이 소개되고 있다. 하지만, 기존의 3D-WT 기법들은 부호화를 위한 과도한 메모리 요구사항과 복호를 위한 수신 측의 지연시간이 가장 큰 단점으로 지적되었다. 본 논문에서는 수정된 Haar wavelet filter와 개선된 부호화 알고리즘을 통해서 메모리 사용량과 재생을 위한 지연시간을 최소로 하는 확장 가능한 3D-WT 기법인 FS(Fast playable and Scalable) 3D-WT를 소개한다. 3D-WT 중 가장 개선된 형태인 3D-V 기법과의 실험 결과 3D-V와 거의 비슷한 계산 처리 시간으로 높은 압축률과 수신 측에서의 짧은 지연시간을 보였다.

• 한국콘텐츠학회논문지
• /
• 제12권8호
• /
• pp.20-28
• /
• 2012

DVC(분산 비디오 부호화) 기술은 새로운 패러다임의 기술로서 Slepian-Wolf와 Wyner-Ziv 이론에 기초하고 있다. DVC 기술은 부호화기와 복호화기 사이의 복잡도를 융통성 있게 분할할 수 있게 할 뿐만 아니라, 본질적으로 정보원-채널 통합 부호화를 지원함으로 인해 채널 에러에 대한 강인함을 제공한다. 기존의 많은 연구들은 주로 부호화기의 경량화와 부호화기의 비트율-왜곡 성능 개선에 초점을 맞추어 왔다. 그러나 본 논문에서는 전송 중에 비트 에러가 발생되는 환경에 적합한 DVC 코덱 구조를 제안한다. 제안된 코덱은 데드존이 없는 양자화기와 영을 중심으로 대칭적인 그레이 코드를 사용한다. 모의실험을 통해 제안된 구조에 대해 채널의 연집 비트 에러의 수뿐만 아니라 비트 발생 위치에 따른 성능을 분석한다. 또한, 주어진 응용에 대해 실제 발생되는 채널의 비트 에러에 따라 최대 및 최소 전송율의 크기가 선형적으로 결정될 수 있음을 보인다.

• 방송공학회논문지
• /
• 제15권1호
• /
• pp.52-62
• /
• 2010

분산 비디오 부호화(DVC: Distributed Video Coding)는 움직임 추정과 같은 복잡한 연산을 복호기측에서 처리함으로써 경량화 된 영상 부호화를 가능하게 하는 기술로 최근 많은 연구가 진행되고 있다. 분산 비디오 부호화의 부호화 성능을 개선하기 위한 기존의 연구는 주로 우수한 보조정보(SI: Side Information) 생성 또는 채널 특성을 잘 기술할 수 있는 채널 잡음 모델링에 집중되었다. 본 논문에서는 화소영역 Wyner-Ziv(Pixel Domain WZ: PDWZ) 코덱의 성능을 개선하기 위해 부호기에서 높은 복잡도를 도입하지 않고 간단한 비트 연산을 통하여 구현될 수 있는 성능 개선 방법을 제안한다. 즉, WZ 프레임과 보조정보 간에 존재하는 높은 상관성을 이용하고, 특정 영역에 집중하여 나타나는 가상채널 잡음을 줄임으로써 부호화 성능을 개선하는 방식을 제안한다. 이를 위해, 본 논문에서는 코드할당 및 그레이코드(Gray Code)를 사용하여 통계적 중복성을 효과적으로 이용하고, 더불어 비트 인터리버를 통하여 가상 채널 잡음의 영향을 줄이는 PDWZ 코덱을 제안한다. 모의실험을 통하여 제안한 방법은 최대 약 0.5 dB의 화질 개선을 제공할 수 있음을 보인다.

• 방송공학회논문지
• /
• 제26권6호
• /
• pp.778-789
• /
• 2021

최근 다양한 분야에서 뛰어난 성능을 나타내는 Convolutional Neural Network(CNN)모델을 모바일 기기에서 사용하기 위한 다양한 연구가 진행되고 있다. 기존의 CNN 모델은 모바일 장비에서 사용하기에는 가중치의 크기가 크고 연산복잡도가 높다는 문제점이 있다. 이를 해결하기 위해 가중치의 표현 비트를 낮추는 가중치 양자화를 포함한 여러 경량화 방법들이 등장하였다. 많은 방법들이 다양한 모델에서 적은 정확도 손실과 높은 압축률을 나타냈지만, 대부분의 압축 모델들은 정확도 손실을 복구하기 위한 재학습 과정을 포함시켰다. 재학습 과정은 압축된 모델의 정확도 손실을 최소화하지만 많은 시간과 데이터를 필요로 하는 작업이다. Weight Quantization이후 각 층의 가중치는 정수형 행렬로 나타나는데 이는 이미지의 형태와 유사하다. 본 논문에서는 Weight Quantization이후 각 층의 정수 가중치 행렬을 이미지의 형태로 비디오 코덱을 사용하여 압축하는 방법을 제안한다. 제안하는 방법의 성능을 검증하기 위해 ImageNet과 Places365 데이터 셋으로 학습된 VGG16, Resnet50, Resnet18모델에 실험을 진행하였다. 그 결과 다양한 모델에서 2%이하의 정확도 손실과 높은 압축 효율을 달성했다. 또한, 재학습 과정을 제외한 압축방법인 No Fine-tuning Pruning(NFP)와 ThiNet과의 성능비교 결과 2배 이상의 압축효율이 있음을 검증했다.