روشی جدید برای اختفای خطای زمانی برای دنباله های ویدئو با استفاده از شبکه عصبی GRNN
محل انتشار: نوزدهمین کنفرانس مهندسی برق ایران
سال انتشار: 1390
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 765
فایل این مقاله در 6 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ICEE19_397
تاریخ نمایه سازی: 14 مرداد 1391
چکیده مقاله:
درارتباطات بی سیم از اتلافات بسته های ویدئو نمی توان اجتناب نمود بنابراین طراحی روشهای اختفای خطای کارآمد به منظور جبران کاهش کیفیت بصری ناشی از اطلاعات از دست رفته ضروری می باشد اختفای خطا یک شیوه مههم برای بازیابی داده های ویدئوی آسیب دیده درشبکه های مستعد خطا م ی باشد شیوه های قبلی که برای اختفای خطا ارایه شده اند همیشه درمواقعی که شی ویدئو دارای حرکات سریع یا پیچیده باشد کارایی خود را از دست میدهند این مقاله یک رهیافت اختفای خطای وفقی به منظور پنهان سازی خطای ماکروبلاک و جبران سازی حرکت براساس سیستم های کدبندی ویدئو پیشنهاد می کند روش پیشنهادی یک شبکه عصبی GRNN به عنوان پیشگوکننده برای تخمین بردارهای حرکت ماکروبلاکهای آسیب دیده بکارمیگیرد پیشگوکننده GRNN فقط برای نواحی با حرکت سریع استفاده می شود که این پیچیدگی محاسبات را کاهش میدهد به دلیل ظرفیت بزرگ شبکه های عصبی درتجسم و تفسیر مجموعه های داده با ابعاد بالا روش پیشنهادی م یتواند بردارهای حرکت آسیب دیده درنواحی با حرکت سریع را به درستی تخمین بزند.
کلیدواژه ها:
نویسندگان
حسین قانعی یخدان
دانشگاه یزد
مرتضی خادمی
دانشگاه فردوسی مشهد
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :