Efficient Rate–Distortion Optimal Packetization of Embedded Bitstreams Into Independent Source Packets
Notice bibliographique
Résumé
This paper addresses the rate-distortion (R-D) optimal packetization (RDOP) of embedded bitstreams into independent source packets, in order to limit error propagation in transmission of images over packet noisy channels. The input embedded stream is assumed to be an interleaving of K independently decodable basic streams. To form independent source packets, the set of basic streams is partitioned into N groups. The streams within each group are then interleaved to generate a source packet. Error/erasure protection may be further applied along/across source packets, to produce the channel packets to be transmitted. The RDOP problem previously formulated by Wu et at. has the goal of finding the partitioning that minimizes the distortion when all source packets are decoded. We extend the problem formulation such that to also include the minimization of the expected distortion for general transmission scenarios that may apply uneven erasure/ error protection. Further, we show that the dynamic programming (DP) algorithm of Wu et al. can be extended to solve the general RDOP problem. The main contribution of this paper is a fast divide-and-conquer algorithm (D&C) to find the globally optimal solution, under the assumption that all basic streams have convex R-D curves. Instrumental in obtaining the fast solution is our result which proves that the problem can be formulated as a series of matrix search problems in totally monotone matrices. The proposed D&C reduces the running time from O(K(2)LN) where L is the size of each packet achieved by the DP solution to O(NKL log K). Experiments on SPIHT coded images demonstrate that the speedup is significant in practice.
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 | 0,000 | 0,000 |
| 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 | 0,002 |
| Science ouverte | 0,000 | 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 ».