Region-wise motion compensation technique using enhanced motion vectors
Notice bibliographique
Résumé
Despite the fact that the existing region-wise motion compensation techniques (RWMC) are more efficient than the conventional variable size block motion compensation technique, they still do not use the visual characteristic of a frame in terms of brightness, contrast and sharpness in order to determine the motion information of the partitioned regions in a most efficient manner. The objective of this paper is to present a quad-tree structured region-wise motion compensation technique using enhanced motion vectors. The scheme described in this paper uses the brightness information of a frame in order to reach the objective of having motion vectors with a higher accuracy. Even though using enhanced motion vectors reduces the distortion, it causes the bit rate to increase. This poses the challenge of optimizing the bit rate-distortion performance. The proposed method partitions a frame based on a fine to coarse resolution strategy through the merging and combining processes. The merging process permits 4-to-1, 3-to-1 and 2-to-1 merges. For such merges, the main idea is to minimize the distortion subject to the constraint that the bit rate should not exceed a pre-defined value. The combining process further reduces the total number of partitioned regions by combining some of the regions that have the same enhanced motion vectors. The proposed technique uses a 2-bit code for coding the quad-tree structure while two different code lengths encode the enhanced motion vectors of the partitioned regions depending on the differential brightness threshold value. The proposed method is applied to a number of video sequences and compared with the other existing methods. The test results show that the new method can significantly improve the rate-distortion performance.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».