基于機(jī)器學(xué)習(xí)的多維數(shù)據(jù)壓縮算法研究.pdf

1、傳統(tǒng)基于字典學(xué)習(xí)的視頻編碼系統(tǒng)總是忽略其信號本身的特征分布，從而導(dǎo)致了很高的計(jì)算復(fù)雜度，降低了編碼效率。本文提出了一種基于時(shí)空在線字典學(xué)習(xí)算法（STOL）來加速字典學(xué)習(xí)的收斂速度，并保證了一定的估計(jì)誤差。所述算法利用隨機(jī)梯度下降法來構(gòu)造三維高頻與低頻的時(shí)空字典對。在每次的學(xué)習(xí)迭代過程中，基于塊梯度下降法學(xué)習(xí)算法優(yōu)化全部訓(xùn)練集樣本所產(chǎn)生的經(jīng)驗(yàn)代價(jià)，例如K-SVD。與之不同的是，隨機(jī)梯度下降法隨機(jī)地選擇一個(gè)訓(xùn)練集樣本，基于該樣本更新字典原子

2、最小化近似期望代價(jià)。由于訓(xùn)練集中的樣本假設(shè)為獨(dú)立同分布，稀疏表示分解系數(shù)可以通過訓(xùn)練字典得到。相較于K-SVD算法，本文所提出的基于時(shí)空在線字典學(xué)習(xí)算法理論上可以證明有更近似的稀疏表示，并能保持視頻信號的結(jié)構(gòu)化稀疏以及層間稀疏性。同時(shí)，隨機(jī)梯度下降法比批量梯度下降法有著更快的收斂速度以及更低的計(jì)算復(fù)雜度，其預(yù)測誤差上限漸近地逼近訓(xùn)練誤差。大量實(shí)驗(yàn)證明，計(jì)算復(fù)雜度的降低能夠使基于時(shí)空在線字典學(xué)習(xí)的編碼框架比現(xiàn)有基于超分辨率的編碼方案以及標(biāo)

3、準(zhǔn)編碼器H.264、HEVC有著更好的客觀、主觀質(zhì)量以及率失真表現(xiàn)。
　　進(jìn)一步地，利用結(jié)構(gòu)化稀疏的機(jī)器學(xué)習(xí)，本文提出了一種新的基于多尺度在線字典學(xué)習(xí)算法的質(zhì)量可分級視頻編碼框架。通過小波變換對圖像特征的層次化結(jié)構(gòu)進(jìn)行分解，將在線學(xué)習(xí)的搜索域優(yōu)化為帶有層次化稀疏的區(qū)塊。其中，基本層低頻子帶利用圖像組稀疏特征來獲得低頻子字典以及稀疏表示系數(shù)?？梢宰C明，所設(shè)計(jì)的跨尺度分解重構(gòu)質(zhì)量可由一個(gè)有上界的估計(jì)誤差保證。在字典優(yōu)化模塊，通過隨機(jī)梯

4、度下降法直接更新期望代價(jià)而不是經(jīng)驗(yàn)代價(jià)來降低計(jì)算復(fù)雜度。層次化的高頻結(jié)構(gòu)信息通過一個(gè)預(yù)先學(xué)習(xí)的子字典對來進(jìn)行預(yù)測，實(shí)現(xiàn)可分級視頻編碼的目的。實(shí)驗(yàn)證明，所述算法能夠漸進(jìn)地實(shí)現(xiàn)質(zhì)量SNR可分級性。
　　對于不同傳輸環(huán)境的異構(gòu)網(wǎng)絡(luò)，本文提出了一種基于漸進(jìn)式字典學(xué)習(xí)的時(shí)間可分級視頻編碼框架。通過可分級B-幀預(yù)測結(jié)構(gòu)，視頻幀可以基于預(yù)先學(xué)習(xí)的時(shí)空字典連續(xù)重構(gòu)得到。在所述的漸進(jìn)式字典學(xué)習(xí)算法中，隨著重構(gòu)增強(qiáng)層的增加，重構(gòu)視頻幀提供了更多樣本來