基于機器學習的多維數(shù)據(jù)壓縮算法研究.pdf

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

2、最小化近似期望代價。由于訓練集中的樣本假設為獨立同分布，稀疏表示分解系數(shù)可以通過訓練字典得到。相較于K-SVD算法，本文所提出的基于時空在線字典學習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構化稀疏以及層間稀疏性。同時，隨機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算復雜度，其預測誤差上限漸近地逼近訓練誤差。大量實驗證明，計算復雜度的降低能夠使基于時空在線字典學習的編碼框架比現(xiàn)有基于超分辨率的編碼方案以及標

3、準編碼器H.264、HEVC有著更好的客觀、主觀質(zhì)量以及率失真表現(xiàn)。
　　進一步地，利用結構化稀疏的機器學習，本文提出了一種新的基于多尺度在線字典學習算法的質(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構進行分解，將在線學習的搜索域優(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)。可以證明，所設計的跨尺度分解重構質(zhì)量可由一個有上界的估計誤差保證。在字典優(yōu)化模塊，通過隨機梯

4、度下降法直接更新期望代價而不是經(jīng)驗代價來降低計算復雜度。層次化的高頻結構信息通過一個預先學習的子字典對來進行預測，實現(xiàn)可分級視頻編碼的目的。實驗證明，所述算法能夠漸進地實現(xiàn)質(zhì)量SNR可分級性。
　　對于不同傳輸環(huán)境的異構網(wǎng)絡，本文提出了一種基于漸進式字典學習的時間可分級視頻編碼框架。通過可分級B-幀預測結構，視頻幀可以基于預先學習的時空字典連續(xù)重構得到。在所述的漸進式字典學習算法中，隨著重構增強層的增加，重構視頻幀提供了更多樣本來