CN115361559B 图像编码方法、图像解码方法、装置以及存储介质 （浙江大华技术股份有限公司）

WO2022075754A1,2022.04所述变换特征的特征维度低于所述待编码特征2获取预设线性变换函数，并基于所述配置参数，对所述预设线利用赋值后的预设线性变换函数以及预设比特将所述待编码特征输入降维网络，通过所述降维网络的卷积层和/或全连接层对所述所述降维网络还包括空间特征变换子网络、通道注意力机制子网络、自将所述待编码特征依次输入所述降维网络的若干降维子网络，基于无监督类降维算法和有监督类降维算法中的至少一种，对所述利用赋值后的预设线性变换函数以及预设比特深度，对所述变换特征进行映射，采用预设非线性函数对所述变换特征进行非线性变换，得到非线性变换后的变换特3基于所述量化特征的上下文特征信息对所述量化特征进行预测所述熵编码模型包括采用超先验网络构建的概率模型，其中，所述概率获取预设线性变换函数，并基于所述配置参数，对所述预设线性利用赋值后的预设线性变换函数以及预设比特其中，所述存储器用于存储程序数据，所述处理器用于执行其中，所述存储器用于存储程序数据，所述处理器用于执行4的缺点在于，混合编码器的有损编码降质与特征在进行视觉分析任务时性能的降质不一[0011]将所述待编码特征输入降维网络，通过所述降维网络的卷积层和/或全连接层对5[0020]利用赋值后的预设线性变换函数以及预设比特深度，对[0033]本申请采用的另一个技术方案是提供一种图像解码方法，所述图像解码方法包67[0062]下面结合图2所示的整体框架结构继续介绍本申请提供的图像编码方法，以及图[0069]基于深度学习的方法通常依托于VAE(VariationalautoEncoder，变分自动编码8可以添加空间特征变换层(SFT层)、通道注意力机制、自注意力机制(transformer中的[0084]而采用全连接的方式进行网络构建，则可以结合归一化层，如BatchNorm层、[0085]在图6所述的全连接降维网络中，全连接降维网络至少包括若干组全连接降维层9[0096](1)线性量化的方式一般是将变换后的特征数据线性映射到某个预设比特深度[0103](2)非线性量化方法则先采用某种非线性函数对变换后的特征数据进行非线性变[0104]同样假设将变换后的特征数据量化为n比特，先采用某种非线性函数f(x)对变换围是0_255。同时将参数α和max{xi}设置为可学习的参数。例如在pytorch中，可以采用[0109]其中D1和D2分别代表整体的失真和量化部分的失真，a和b分别[0131]例如，在传统的特征编码框架中，熵编码模块以及熵解码模块也可采用CAVLC、[0133]在本申请实施例中，图像编码装置可以直接对步骤S13得到的量化特征进行特征[0143]本申请进一步提出在特征变换过程中使用如下方式进行降维：(1)使用基于注意用处理器、数字信号处理器(DSP，DigitalSignalProcess)、专用集成电路(ASIC，ApplicationSpecificIntegratedCircuit)、现场可编程门阵列(FPGA，Field说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现方式所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器