基于深度學(xué)習(xí)的快速Q(mào)TMT 劃分

彭雙，王曉東，彭宗舉,，陳芬

（1. 寧波大學(xué)信息科學(xué)與工程學(xué)院，浙江 寧波 315211；2. 重慶理工大學(xué)電氣與電子學(xué)院，重慶 400054）

1 引言

隨著超高清、高動(dòng)態(tài)、寬色域和全景視頻等技術(shù)的出現(xiàn)，高效視頻編碼（high efficiency vi2eo co2ing，HEVC）[1]的壓縮效率明顯不足，因而多功能視頻編碼（versatile vi2eo co2ing，VVC）[2]被提出。在相同客觀質(zhì)量條件下，VVC 的比特率約為 HEVC 的 50%。嵌套多類樹的四叉樹（qua2tree with neste2 multi-type tree，QTMT）[3]劃分結(jié)構(gòu)是VVC 編碼增益提高的關(guān)鍵[4]，但同時(shí)帶來(lái)了編碼復(fù)雜度的急劇上升。在幀內(nèi)配置模式下，VVC 編碼復(fù)雜度約為HEVC 的18 倍[5]。此外，與之前編碼標(biāo)準(zhǔn)中幀內(nèi)編碼復(fù)雜度遠(yuǎn)低于幀間編碼不同，VVC 中幀內(nèi)編碼復(fù)雜度卻高于幀間編碼，前者約為后者的1.3 倍[6]。因此，降低VVC幀內(nèi)編碼復(fù)雜度具有重要意義。

目前已有許多學(xué)者對(duì)HEVC 和VVC 低復(fù)雜度編碼進(jìn)行了研究。研究方法主要分為基于統(tǒng)計(jì)和基于學(xué)習(xí)的方法。在基于統(tǒng)計(jì)的快速編碼算法中，姚英彪等[7]結(jié)合空域相關(guān)性和紋理信息提出了快速劃分方法。Kuo 等[8]提出一種基于時(shí)空域編碼單元（co2ing unit，CU）的決策方法，利用已編碼相鄰編碼樹單元（co2ing tree unit，CTU）和同位CTU 深度信息，加權(quán)預(yù)測(cè)當(dāng)前CTU 的深度范圍。Jamali 等[9]利用絕對(duì)變換殘差和（sum of absolute transforme2 2ifference，SATD）代價(jià)對(duì)率失真代價(jià)（rate-2istortion cost，RDC）進(jìn)行估計(jì)，從而減少進(jìn)行率失真優(yōu)化（rate 2istortion optimization，RDO）的模式，同時(shí)將預(yù)測(cè)的RDC 建模為正態(tài)分布，通過(guò)置信區(qū)間進(jìn)一步改進(jìn)預(yù)測(cè)效果。Huang 等[10]為平衡率失真（rate 2istortion，RD）性能與編碼時(shí)間，通過(guò)優(yōu)化率失真復(fù)雜度對(duì)編碼模式進(jìn)行決策，其中，RD 性能和編碼時(shí)間通過(guò)提取特征來(lái)估計(jì)。參考文獻(xiàn)[8,10]雖然能有效降低編碼復(fù)雜度，但僅針對(duì)HEVC 中QT 劃分進(jìn)行決策，對(duì)VVC 編碼中QTMT 劃分并不適用。Lei 等[11]通過(guò)簡(jiǎn)化粗選模式?jīng)Q策估計(jì)不同劃分方向的SATD 代價(jià)，將子CU 不同劃分方向的RDC 作為當(dāng)前CU 的估計(jì)代價(jià)，最后根據(jù)估計(jì)的SATD 代價(jià)和RDC 綜合決定當(dāng)前CU 的最優(yōu)劃分方向。Chen 等[12]和Fan 等[13]通過(guò)提取方差和梯度特征，對(duì)特征設(shè)定閾值來(lái)決策提前終止和跳過(guò)不可能的模式，最終僅對(duì)一個(gè)模式進(jìn)行RDO，極大降低了編碼復(fù)雜度。Park 等[14-15]利用中間編碼信息對(duì)跳過(guò)模式和終止運(yùn)動(dòng)估計(jì)進(jìn)行決策。在參考文獻(xiàn)[14]中，通過(guò)對(duì)三叉樹劃分進(jìn)行統(tǒng)計(jì)分析，提出將已編碼CU 代價(jià)作為概率決策特征，從而決定是否跳過(guò)三叉樹劃分。在參考文獻(xiàn)[15]中，利用已編碼CU 的最佳模式對(duì)終止仿射運(yùn)動(dòng)估計(jì)進(jìn)行決策，利用運(yùn)動(dòng)矢量方向縮減仿射運(yùn)動(dòng)參考幀的數(shù)量。參考文獻(xiàn)[12-13]僅在單一的CU 級(jí)實(shí)施決策，參考文獻(xiàn)[14]僅跳過(guò)三叉樹劃分，而參考文獻(xiàn)[15]僅對(duì)仿射運(yùn)動(dòng)估計(jì)進(jìn)行決策，以上方法節(jié)省的時(shí)間都非常有限。

在基于學(xué)習(xí)的快速編碼算法中，Liu 等[16]改進(jìn)了傳統(tǒng)復(fù)雜度特征并作為分類器輸入，通過(guò)兩個(gè)支持向量機(jī)分類器將CU 分為3 類，并且利用懲罰因子平衡性能損失與時(shí)間復(fù)雜度。Chen 等[17]引入非對(duì)稱卷積核來(lái)提高特征提取能力，通過(guò)置信區(qū)間平衡復(fù)雜度與性能損失，極大降低了HEVC 編碼復(fù)雜度，同時(shí)，通過(guò)預(yù)測(cè)最小RDO 候選模式數(shù)量來(lái)加速模式?jīng)Q策過(guò)程。Katayama 等[18]充分利用了CU 的空域相關(guān)性，將相鄰CU 亮度信息作為卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）的輸入，實(shí)現(xiàn)了HEVC 低復(fù)雜度幀內(nèi)編碼，但不利于硬件編碼。Kim 等[19]建立了基于CNN 的多級(jí)二分類模型來(lái)決策CU 劃分，將CU 亮度信息作為模型的輸入，并將編碼的中間信息作為外部特征輸入模型。Xu 等[20]建立了分層CU 劃分映射來(lái)描述CTU 的劃分情況，提出了提前終止的分層CNN 模型，在保證編碼性能的前提下顯著降低了HEVC 幀內(nèi)編碼復(fù)雜度。Tang 等[21]將可變池化CNN 應(yīng)用到VVC 幀內(nèi)編碼中，使得CNN 能適應(yīng)不同形狀的CU。然而，在池化層中丟失了特征信息，導(dǎo)致最終模型的預(yù)測(cè)結(jié)果較差。Yang 等[22]通過(guò)人工方式提取特征，將特征輸入決策樹模型進(jìn)行訓(xùn)練，最終決定CU 是否劃分。雖然決策樹模型能充分挖掘出特征與劃分之間的潛能，但特征選取受人為因素影響較大。Fu 等[23]利用了貝葉斯分類器，將是否跳過(guò)垂直模式建模為二分類問(wèn)題，以當(dāng)前CU、子CU 劃分模式和角度模式作為分類器的輸入。Amestoy 等[24]提出一種可調(diào)節(jié)的機(jī)器學(xué)習(xí)方法，通過(guò)調(diào)整風(fēng)險(xiǎn)區(qū)間的大小來(lái)控制VVC 的性能損失。參考文獻(xiàn)[16,20]針對(duì)HEVC 均提出了有效的快速編碼方案，對(duì)基于學(xué)習(xí)的VVC 快速編碼方法具有一定的啟發(fā)意義。參考文獻(xiàn)[16,22,24]均通過(guò)人為選取特征，不能充分挖掘CU 的特征信息。

上述方法主要將劃分決策建模為分類問(wèn)題，而實(shí)際問(wèn)題中分類邊界通常不明確，因此本文將劃分決策建模為回歸問(wèn)題。同時(shí)考慮到深度學(xué)習(xí)在編碼各領(lǐng)域取得的突出效果[25]，本文結(jié)合深度學(xué)習(xí)模型來(lái)預(yù)測(cè)劃分模式的概率，提出了一種基于深度學(xué)習(xí)的快速VVC 劃分決策方法。實(shí)驗(yàn)結(jié)果表明，所提出算法在保證編碼性能幾乎不損失的同時(shí)極大地降低了編碼復(fù)雜度。

2 快速Q(mào)TMT 劃分方法

本文首先分析了QTMT 的復(fù)雜度，然后提出注意力?非對(duì)稱卷積網(wǎng)絡(luò)（attention asymmetric CNN，AA-CNN）結(jié)構(gòu)來(lái)預(yù)測(cè)劃分模式的概率，最后提出了基于AA-CNN 的快速模式?jīng)Q策模型。

2.1 QTMT 復(fù)雜度分析

VVC 中采用QTMT 結(jié)構(gòu)使得CU 能適應(yīng)不同圖像內(nèi)容。在VVC 編碼過(guò)程中，每個(gè)CU 先按照四叉樹（qua2 tree，QT）劃分，再在QT 葉節(jié)點(diǎn)處按多類樹（multi-type tree，MT）遞歸劃分。MT 劃分結(jié)構(gòu)包括4 種劃分模式，分別為垂直二叉樹（vertical binary tree，VB）、水平二叉樹（horizontal binary tree，HB）、垂直三叉樹（vertical ternary tree，VT）和水平三叉樹（horizontal ternary tree，HT）。除上述劃分的模式以外，還有不劃分的模式Intra，這些模式組成了QTMT 的劃分模式列表（partition mo2e list，PML）。最優(yōu)模式m*為PML 中RDC 最小的模式，計(jì)算式如下：

其中，PML={1,2,3,4,5,6}，分別對(duì)應(yīng){Intra, QT, HB,VB, HT, VT}，RDCm的計(jì)算式如下：

其中，Dm和Rm分別為編碼模式m產(chǎn)生的失真和所需要的比特，λ為控制RD 性能的拉格朗日乘子。實(shí)際碼流中僅模式m*被編碼，因此QTMT 結(jié)構(gòu)包括了大量冗余模式。雖然VVC 快速劃分策略[26]能跳過(guò)部分劃分模式，但僅對(duì)紋理較為平坦的區(qū)域有效。

2.2 劃分模式概率預(yù)測(cè)

2.2.1 數(shù)據(jù)集構(gòu)建

不完全的PML 會(huì)影響模式的真實(shí)分布，使得模型的預(yù)測(cè)準(zhǔn)確率降低。本文建立訓(xùn)練數(shù)據(jù)集時(shí)，僅采用具有完整PML 的CU。從A1、A2、B、C、D 和E 6 類標(biāo)準(zhǔn)測(cè)試序列中分別挑選了序列Campfire、ParkRunning3、Cactus、BQMall、BasketballPass 和Johnny，每個(gè)序列選取60 000 個(gè)數(shù)據(jù)樣本，其中大小為32×32 和16×16 的CU 各30 000 個(gè)，并利用3 次插值將16×16 的CU 上采樣為32×32 的CU。數(shù)據(jù)集中樣本分別用4 個(gè)量化參數(shù)（quatization parameter，QP） 22、27、32 和37進(jìn)行編碼，總樣本數(shù)量為60 000×6×4=1 440 000，每個(gè)樣本包括CU 亮度信息、CU 大小和QP，樣本標(biāo)簽為CU 最優(yōu)劃分模式。數(shù)據(jù)集被隨機(jī)地劃分為訓(xùn)練集（9/10）和校驗(yàn)集（1/10）。

2.2.2 AA-CNN 結(jié)構(gòu)

本文采用CNN 來(lái)預(yù)測(cè)劃分模式的概率，結(jié)合MT 劃分非對(duì)稱性和特征重要性，提出了AA-CNN結(jié)構(gòu)。MT 劃分非對(duì)稱性體現(xiàn)在子CU 形狀非正方形，為提高非對(duì)稱特征的提取能力，本文引入了非對(duì)稱卷積核。注意力模塊可實(shí)現(xiàn)特征通道[27]和卷積核[28]的權(quán)重分配，因此在本文中引入該模塊。本文通過(guò)壓縮原始圖像來(lái)獲取注意力，以便從全局控制特征權(quán)重的分配，如圖1 所示，首先將32×32 的CU 展開為1×1 024 的向量，再通過(guò)1 024×128 和128×N兩個(gè)維度逐漸減小的全連接層進(jìn)行壓縮得到1×N的注意力向量，其中N為被控制的特征向量通道數(shù)，并且QP 作為外部特征被加入全連接層，最后通過(guò)Softmax 函數(shù)進(jìn)行激活。此外，為了加快模型的收斂速度，激活函數(shù)引入了參考文獻(xiàn)[28]中所使用的溫度控制，即對(duì)Softmax 函數(shù)的輸入除以一個(gè)溫度系數(shù)τ，τ隨著訓(xùn)練次數(shù)發(fā)生改變。τ初始值為30，使得各特征權(quán)重相當(dāng)，可有效加快收斂速度，隨著訓(xùn)練次數(shù)的增加，τ逐漸減小，當(dāng)τ=1 時(shí)激活函數(shù)退化為原始Softmax 函數(shù)。

圖1 注意力模塊

本文設(shè)計(jì)的AA-CNN 結(jié)構(gòu)如圖2 所示，分為數(shù)據(jù)預(yù)處理、特征提取、特征擬合以及結(jié)果輸出4 部分，具體如下。

（1）獲取亮度CU 并將大小縮放至32×32，再進(jìn)行歸一化處理。

（2）該結(jié)構(gòu)包括L1、L2 和L3 3 個(gè)非重疊卷積層，每層包含3 個(gè)分支，第一層各分支的卷積核大小分別為4×2、4×4 和2×4（濾波器數(shù)量為16），第二層和第三層各分支的卷積核大小均分別為2×1、2×2 和1×2（濾波器數(shù)量為24 和32）。與對(duì)稱卷積核相比，非對(duì)稱卷積核可以提取不同方向的特征，更加適應(yīng)MT 劃分。此外，通過(guò)壓縮輸入CU 獲得注意力向量，再根據(jù)注意力向量對(duì)每個(gè)特征通道進(jìn)行權(quán)重分配。每個(gè)注意力模塊對(duì)應(yīng)一個(gè)卷積模塊，共9 個(gè)，分別為注意力1～9，該模塊的引入可有效提高網(wǎng)絡(luò)容量并消除特征冗余。

（3）將每個(gè)分支提取的特征展開并拼接為1×2 176的特征向量，然后通過(guò)3 個(gè)大小分別為2 176×128、128×96 和96×6 的全連接層L4、L5 和L6 進(jìn)行特征擬合，并且在每個(gè)全連接層中將QP 作為外部特征加入特征向量。

（4）采用Softmax 函數(shù)激活預(yù)測(cè)值并輸出1×6的預(yù)測(cè)概率向量，分別對(duì)應(yīng)PML 中各模式為最優(yōu)概率。

交叉熵用于度量?jī)蓚€(gè)概率分布間的差異性，差異越大交叉熵越大，反之越小。因此，本文采用交叉熵作為訓(xùn)練AA-CNN 的損失函數(shù)，計(jì)算式如下：

其中，H(.)為交叉熵運(yùn)算符，p和q為預(yù)測(cè)和標(biāo)簽向量。

2.3 模式?jīng)Q策

2.3.1 快速模式?jīng)Q策

為有效平衡編碼性能與時(shí)間，應(yīng)在盡可能保留最優(yōu)模式的情況下保留最少模式數(shù)量，本文所提出的快速模式?jīng)Q策流程如圖3 所示。首先調(diào)用AA-CNN 模型得到預(yù)測(cè)概率向量p；再按概率對(duì)PML 進(jìn)行降序排序，可表示為：

其中，L和p′分別為排序后的模式列表和預(yù)測(cè)向量；然后累加概率，并設(shè)定閾值φ確定最小保留模式數(shù)量n，計(jì)算式如下：

圖2 AA-CNN 結(jié)構(gòu)

圖3 快速模式?jīng)Q策流程

其中，x為可保留模式數(shù)量，pk′為p′中第k個(gè)元素；最后，根據(jù)n更新PML 為L(zhǎng)′，L′={Li|1≤i≤n}，Li為L(zhǎng)中第i個(gè)元素。因此，本文提出的快速編碼方法僅對(duì)n個(gè)模式進(jìn)行RDO，n∈[1,6]，極大地降低了編碼復(fù)雜度，并可通過(guò)φ來(lái)控制性能的損失。

2.3.2 閾值決策

為選取最佳閾值φ*來(lái)平衡編碼性能與時(shí)間，本文提出了性能與時(shí)間的代價(jià)函數(shù)。模型預(yù)測(cè)準(zhǔn)確率α能表征編碼性能，α越大則性能越高；L′的模式數(shù)量n能表征時(shí)間節(jié)省（time re2uction，TR），n越小則時(shí)間節(jié)省越多。因此，定義代價(jià)函數(shù)如下：

其中，ω為兩者的平衡因子，當(dāng)ω＜1 時(shí)，可以節(jié)省更多的時(shí)間；當(dāng)ω＞1 時(shí)，性能更高。

α與φ直接相關(guān)，為建模二者的關(guān)系，本文在QP=32、CU 大小為32×32 的條件下對(duì)多個(gè)序列進(jìn)行了統(tǒng)計(jì)分析。統(tǒng)計(jì)結(jié)果如圖4 所示，隨著φ增加，α也增加，其中實(shí)線通過(guò)線性擬合獲得。顯然，對(duì)于所有序列兩者均符合線性關(guān)系。因此，本文建模α為關(guān)于φ的線性函數(shù)，計(jì)算式如下：

其中，μ和ν是與訓(xùn)練模型和圖像相關(guān)的參數(shù)。

同理，本文對(duì)n與φ進(jìn)行了統(tǒng)計(jì)分析。統(tǒng)計(jì)結(jié)果如圖5 所示，隨著φ增加，n的趨勢(shì)呈現(xiàn)指數(shù)增長(zhǎng)。因此，本文將n建模為關(guān)于φ的指數(shù)函數(shù)，指數(shù)函數(shù)有exp1 和exp2 兩種類型，計(jì)算式

圖4 α 隨φ 的變化關(guān)系

圖5 n 隨φ 的變化關(guān)系

如下：

其中，a、b、c和d均為與模型和圖像相關(guān)的參數(shù)。

此外，本文給出了每個(gè)模型的擬合系數(shù)R-square，見表1。對(duì)于α，線性函數(shù)具有非常高的擬合度；對(duì)于n，顯然exp2 模型比exp1 模型擬合效果更好，本文選擇exp2。

表1 R-square

因此代價(jià)函數(shù)改寫為：

對(duì)于最佳閾值φ*的求解，令Cost(φ)′=0，得：

為估計(jì)式（10）中參數(shù)μ、a、b、c和d，本文考慮了序列的時(shí)域連續(xù)性。通過(guò)編碼序列第一幀獲得樣本的預(yù)測(cè)向量和標(biāo)簽向量，進(jìn)而計(jì)算得到不同閾值φ下的α及n，最后根據(jù)式（7）和式（8）即可求解參數(shù)，表2 為部分序列的參數(shù)。

表2 部分序列參數(shù)

3 實(shí)驗(yàn)結(jié)果與分析

3.1 實(shí)驗(yàn)配置

本文提出的算法在VVC 測(cè)試平臺(tái)（VVC test mo2el，VTM）7.0[29]上實(shí)現(xiàn)，采用的學(xué)習(xí)模型在TensorFlow 平臺(tái)上完成，測(cè)試條件采用標(biāo)準(zhǔn)測(cè)試配置中的全I(xiàn) 幀（all intra，AI）[30]。測(cè)試序列共22 個(gè)，包括了從類A1 到類E 的6 個(gè)類，其中A1和A2 為10 bit 超高清序列，類B 包括了10 bit 和8 bit 高清序列，類C～類F 為不同分辨率的8 bit序列。本文的算法性能通過(guò)BDBR[31]和平均時(shí)間節(jié)省ATR 進(jìn)行測(cè)量，ATR 為不同QP 下TR 的均值，計(jì)算式如下：

其中，To(i)和Tp(i)分別表示在QP=i時(shí)原始平臺(tái)和所提出算法的編碼時(shí)間，Ω={22,27,32,37}。

3.2 實(shí)驗(yàn)結(jié)果

本文提出的快速?zèng)Q策算法可通過(guò)改變平衡因子ω將算法性能調(diào)整到不同檔次。為了方便對(duì)比，本文通過(guò)探索發(fā)現(xiàn)ω=0.85 時(shí)算法性能與參考文獻(xiàn)[11,23]的性能相似，ω=1 時(shí)算法的ATR 與參考文獻(xiàn)[22-23]的ATR 相似。本文共給出了3 個(gè)不同檔次的結(jié)果，見表3。其中，ω=∞（φ=0）為算法能達(dá)到最大時(shí)間節(jié)省點(diǎn)，“*”表示構(gòu)建訓(xùn)練集時(shí)采用的序列。此外，實(shí)驗(yàn)結(jié)果還給出了各檔次下BDBR 和ATR 的標(biāo)準(zhǔn)差STD，其大小可以反映該指標(biāo)在不同序列下的穩(wěn)定性。

表3 算法性能比較

實(shí)驗(yàn)結(jié)果表明，本文算法在略微損失RD 性能的條件下，編碼時(shí)間節(jié)省最大能達(dá)到67.83%。同時(shí)，被用于訓(xùn)練模型的序列與其他序列的實(shí)驗(yàn)結(jié)果高度一致，這說(shuō)明所提出算法具有良好的泛化能力。在ω=0.85、1、10 不同檔次下，算法在不同序列下的ATR 均值分別達(dá)到48.62%、52.93%以及62.01%，性能損失分別為1.05%、1.33%以及2.38%。可見，在不同檔次下，ATR 和BDBR 均可達(dá)到較好的平衡，隨著檔次值的提高，算法更傾向于時(shí)間節(jié)省，ATR 及其穩(wěn)定性增加，這表明ATR 的增加是以犧牲RD 性能及穩(wěn)定性為代價(jià)的。此外，本文算法對(duì)8 bit 深度序列的效果優(yōu)于10 bit深度序列，因?yàn)?0 bit 深度序列具有更微小的紋理細(xì)節(jié)，而在構(gòu)建數(shù)據(jù)集時(shí)無(wú)法區(qū)分bit 深度，導(dǎo)致訓(xùn)練模型忽略了部分細(xì)節(jié)。

本文算法結(jié)果與Lei 等[11]、Yang 等[22]及Fu等[23]提出的算法結(jié)果進(jìn)行了對(duì)比，對(duì)比數(shù)據(jù)見表3。結(jié)果表明，在ω=1 時(shí)，本文算法無(wú)論是時(shí)間節(jié)省還是RD 性能均優(yōu)于Yang 等[22]提出的算法。同時(shí)，本文算法在相同時(shí)間節(jié)省情況下，RD 性能更加穩(wěn)定，這是因?yàn)楸疚乃惴▽⒛Ｊ經(jīng)Q策建模為回歸問(wèn)題，通過(guò)設(shè)定閾值來(lái)實(shí)現(xiàn)劃分模式?jīng)Q策，更易于控制時(shí)間節(jié)省與性能損失之間的平衡。因此，本文算法可以在節(jié)省相同時(shí)間的情況下，具有更優(yōu)的RD 性能。在ω=0.85 時(shí)，通過(guò)與Lei 等[11]和Fu等[23]提出的算法結(jié)果對(duì)比可知，在具有相同RD性能的條件下，本文算法時(shí)間節(jié)省更多。Fu 等[23]提出的算法的時(shí)間節(jié)省與序列分辨率相關(guān)，分辨率越高時(shí)間節(jié)省越多，而本文算法除個(gè)別序列外均具有更好的時(shí)間節(jié)省和RD 性能。雖然Lei 等[11]提出的算法在穩(wěn)定性和算法性能上能達(dá)到較好的平衡，但時(shí)間節(jié)省更少。

本文進(jìn)一步分析了所提算法與VTM7.0 的性能比較，并給出了性能損失最大序列RitualDance和最小序列PartyScene 的RD 曲線，如圖6 所示。對(duì)于RitualDance 序列，本文算法的最大性能損失仍能與原始平臺(tái)保持一致，對(duì)于PartyScene 序列，本文算法與VTM7.0 的RD 曲線基本重合，表明本文算法的性能損失可以忽略不計(jì)。因此，本文算法能極大地降低編碼復(fù)雜度，并且性能損失與原始平臺(tái)基本保持一致。

圖6 RD 曲線對(duì)比

4 結(jié)束語(yǔ)

針對(duì)VVC 中QTMT 劃分結(jié)構(gòu)帶來(lái)的高編碼復(fù)雜度問(wèn)題，本文提出了一種快速Q(mào)TMT 劃分策略，并提供了不同檔次的時(shí)間節(jié)省和性能損失多種組合的靈活調(diào)整。首先，提出了基于AA-CNN的模式概率預(yù)測(cè)模型和快速劃分決策模型。然后，為獲得平衡編碼性能與時(shí)間的最佳閾值，建立了對(duì)應(yīng)的代價(jià)函數(shù)，提出了閾值決策模型。最后，將所提算法整合到VTM7.0 進(jìn)行實(shí)驗(yàn)及分析，并與其他快速算法進(jìn)行了對(duì)比。實(shí)驗(yàn)結(jié)果表明，本文算法最大平均節(jié)省時(shí)間達(dá)到62.01%。