Анализ парапетров кодеков

Обзор методов анализа
параметров видеокодеков и
систем обработки видео

Кира Рагулина
Video Group
CS MSU Graphics & Media Lab

Only for
Maxus 

Содержание
 Введение
 Основные понятия
 Постановка задачи
 Общие проблемы
 Область применения
 Классификация алгоритмов
 Поиск оптимальных пресетов
 Анализ различных значений параметров
 Результаты
 Планы
2/85
CS MSU Graphics & Media Lab (Video Group)

Only for
Maxus 

Введение
Видео

Видеокоде
Битрей к
т
Закодированное
видео с заданным
Значения
битрейтом
параметров

? Максимальное
качество! 3/85

Only for
Maxus 

Основные понятия

 Параметры видеокодека настраивают некую
часть работы видеокодека. Их значения влияют
на качество и скорость кодирования
 Пресет – набор значений параметров
видеокодека
 Качество пресета для нас характеризуется:
 Временем кодирования
 Качеством закодированного видео

4/85

Only for
Maxus 

Постановка задачи

1. Проанализировать влияние различных
параметров на время кодирования и
качество закодированного видео
2. Найти оптимальные пресеты

5/85

Only for
Maxus 

Общие проблемы
 Способ оценки качества пресета
 Большая размерность и мощность
пространства возможных пресетов
 Отсутствие метрики в пространстве
пресетов
 Сложные и неизвестные зависимости
между параметрами
 Оценка качества и верификация
рассматриваемых алгоритмов 6/85

Only for
Maxus 

Область применения

 Подбор наилучших настроек кодека
 Проверка эффективности реализации
параметров
 Выявление зависимостей между
параметрами
 Нагрузочное тестирование кодека
 Выбор настроек с заданными
характеристиками
7/85

Only for
Maxus 

Проблемы алгоритмов
 Качество пресета
 Способ неполного перебора
 Сложность
 Полнота
 Точность
 Стабильность
 Качество пресета
 Неполные данные
 Оценка значений параметров
 Выявление зависимостей
 Верификация
 Стабильность
8/85

Only for
Maxus  Классификация
алгоритмов
Поиск оптимальных Анализ различных
пресетов значений параметров
Существующие методы
Алгоритм, основанный на методе
отсечения ветвей дерева (GBFOS) Подсчет средних характеристик по
Алгоритм, основанный на параметрам*
симплекс-методе

Разработанные методы
Разноцветные облака точек
Итеративный градиентный спуск* Лямбда анализ
Анализ с помощью выкидывания
огибающих
9/85

Only for
Maxus 

 Алгоритм, основанный на методе отсечения ветвей дерева (GBFOS)
 Базовый алгоритм GBFOS
 Итеративный алгоритм GBFOS
 Алгоритм, основанный на симплекс-методе
 Симплекс-метод
 Алгоритм на основе симплекс-метода
 Итеративный градиентный спуск
 Подсчет средних характеристик по параметрам
 Разноцветные облака точек
 Лямбда анализ
 Анализ с помощью выкидывания огибающих
 Планы
10/85

Only for
Maxus 

Оптимальные пресеты
 Оптимальные по Парето пресеты
{p|∃ ′ : T(p′ ) ≤ T(p), Q(p′ ) ≤ Q(p), p′ ≠ }
/p p
 Метод свертки критериев
 Свертка критериев – любая числовая функция
критериев
 Наиболее важные свертки критериев y = (y1 ,..., yn )
n
 Линейная свертка < c , y >= ∑ i y i , c i ≥0 , i = 1 , n
c
i=1
y
 Свертка Гермейера min i , ai > 0 , i = 1, n
i=1 ,n ai

 Свертка на основе отклика от идеальной точки ρ(y * , y )
11/85
CS MSU Graphics & Media Lab (Video Group)Лотов А.В., Поспелова И.И. Конспект лекций по теории и
методам многокритериальной оптимизации. МГУ, 2008

Only for
Maxus 

Свертки критериев

Качество
 Линейная свертка <c,y>
 Порождает подмножество
оптимальных точек (огибающую)
(случай невыпуклой границы)
 Линии уровня – прямые
 Свертка Гермейера min(yi/ai)
Врем
 Порождает все множество оптимальных точек я
 Линии уровня – конусы
 Свертка на основе отклика от идеальной точки –ρ(y*,y)
 Требует явного введения метрики в пространстве критериев

Лотов А.В., Поспелова И.И. Конспект лекций
по теории и методам многокритериальной 12/85
CS MSU Graphics & Media Lab (Video Group) оптимизации. МГУ, 2008

Only for
Maxus 

Определение лямбды
 Сформулируем нашу задачу следующим образом:
Найти оптимальные пресеты при заданных ограничениях
на качество Qc (битрейт)
p* = arg min T (p)
p:Q(p)≤Qc

T(p*) + λ(Q(p*) Qc ) → min
* 1
p = arg minM(p), M(p) = λ ′T (p) + Q(p), λ ′ =
λ
 M(p) - линейная свертка для 2-х критериев
 λ – задает желаемое соотношение между качеством и
временем кодирования
13/85

Only for
Maxus 
Интерпретация новой
постановки задачи
Physical Interpretation of the Convex Hull Presets

1,2 All presets
Convex hull presets
1,15
Presets with thefixed quality
Best preset with thefixed quality
1,1
Quality, Q

1,05

1,

0,95

0,9  Faster
0,85

1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11,
Time, T 14/85

Only for
Maxus 

Интерпретация лямбды
10% Best Presets for Chosen  = 0,25

1,2
All presets
Line M=*T+Q with smallest M
1,15
Line M=*T+Q with highest M
10% Best Presets for Chosen 
1,1
One best preset for chosen 
Better Quality
Quality, Q

1,05

1,

0,95

0,9
Better Common Quality

0,85

1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11,
Time, T
Faster
15/85

Only for
Maxus 

 Алгоритм, основанный на методе отсечения ветвей
дерева (GBFOS)
 Алгоритм на основе симплекс-метода
 Планы 16/85

Only for
Maxus 

Обозначения

 Пусть имеется M параметров
 Параметр i имеет значения 1,…,ni, которые
упорядочены по улучшению качества (ухудшению
времени)
 Значит, пресет – набор a=(a1,…,aM), где ai ∈{1,…,ni}

 Каждому пресету a соответствует T(a), Q(a) – его
время кодирования и качество закодированного видео
 Построим график зависимости Q от T
R. Vanam, E. Riskin, S. Hemami, R. Ladner.
Distortion-Complexity Opti-mization of the
17/85
CS MSU Graphics & Media Lab (Video Group) H.264/MPEG-4 AVC Encoder using the GBFOS
Algorithm. Proc. IEEE, 2007.

Only for
Maxus 

Огибающая линия
Presets Lying on Convex Hull
1.25
Data points
Convex hull points
1.2
Выше качество

1.15

1.1

Меньше время
Quality, Q

1.05

1
кодирования
0.95

0.9

0.85

0.8
0 2 4 6 8 10 12
Time, T
R. Vanam, E. Riskin, S. Hemami, R. Ladner. Distortion-
Complexity Opti-mization of the H.264/MPEG-4 AVC 18/85
CS MSU Graphics & Media Lab (Video Group) Encoder using the GBFOS Algorithm. Proc. IEEE, 2007.

Only for
Maxus  Базовый алгоритм
GBFOS

 Алгоритм предполагает, что параметры независимы и
аддитивны

 Замеряются пресеты вида
mi,j=(n1,…ni-1,j,ni+1,…,nM), где j=1,…,ni

 Алгоритм работает итеративно, в конце каждой
итерации получается очередной оптимальный пресет

19/85

Only for
Maxus  Базовый алгоритм
GBFOS
Итерация N
2
1
1 Параметр 1 2 Параметр 2
Качество

Качество
3
2
4 4

Врем Врем
1 я я
Параметр 3
Повторяем, пока не
Находим
Выбор первого
Получаем очередной
Вычисление
Обновляем
Качество

получим последний
наименьший
оптимального
7 оптимальный пресет
углов наклона
углы наклона
пресета
оптимальный пресет
угол наклона
Врем Distortion-Complexity Opti-mization of the
20/85
я

Only for
Maxus  Итеративный алгоритм
GBFOS

 Усовершенствованный базовый алгоритм GBFOS
 Отличается от базового алгоритма тем, что в конце
каждой итерации обновляет точки, делая
дополнительные замеры

22/85

Only for
Maxus  Итеративный алгоритм
GBFOS
Итерация 1
2
Параметр 1 Параметр 2
Качество

Качество
2
4 4

Врем Врем
я я
Параметр Находим
Вычисляем
Обновляем точки,
Получаем очередной
Выбор первого
Вычисление
Качество

3
наименьший
углы наклона
используя значение
оптимального
оптимальный пресет
углов наклона
угол наклона
пресета
7 6
и т.д.
2 параметра 1
Врем Distortion-Complexity Opti-mization of the
23/85
я

Only for
Maxus 

Условия тестирования
 Для тестирования использовались:
 кодек x264 (Март 26, 2006 версия)

 значения параметров:
 ref = 1,…,16
 partitions = 10 значений
 subme = 1,…,7
 trellis = 0, 1, 2
 3 набора данных:
 ASL-1 (10 QCIF последовательностей)
 ASL-2 (10 320x240 последовательностей)
 Standart (15 QCIF последовательностей)
 3 битрейта: R. Vanam, E. Riskin, S. Hemami, R. Ladner.
 30, 150 и 300 Кбит/с Distortion-Complexity Opti-mization of the
24/85

Only for
Maxus 

Результаты: сложность
 Пусть имеется M параметров
 Параметр i имеет значения 1,…,ni
 Значит, пресет – набор a=(a1,…,aM), где ai ∈{1,…,ni}

 Количество замеров:
M
 Полный перебор: ∏ ni = 3360
i=1 M
 Базовый алгоритм GBFOS: ∑ni M + 1 = 33 ≈ 1%
i=1
 Итеративный алгоритм GBFOS: 268 ≈ 8%
25/85

Only for
Maxus 

Результаты: точность

Максимальная разница
PSNR между огибающей
линией и
 Базовым алгоритмом
GBFOS: 0.707 dB
 Итеративным алгоритмом
GBFOS: 0.575 dB

R. Vanam, E. Riskin, S. Hemami, R.
Ladner. Distortion-Complexity
Opti-mization of the H.264/MPEG-4
AVC Encoder using the GBFOS 26/85
CS MSU Graphics & Media Lab (Video Group) Algorithm. Proc. IEEE, 2007.

Only for
Maxus 

Результаты: стабильность

Максимальная разница
PSNR между
огибающей линией и
обоими алгоритмами:
< 0.55 dB

R. Vanam, E. Riskin, S. Hemami, R.
Ladner. Distortion-Complexity
Opti-mization of the H.264/MPEG-4
AVC Encoder using the GBFOS 27/85
CS MSU Graphics & Media Lab (Video Group) Algorithm. Proc. IEEE, 2007.

Only for
Maxus 

Результаты: стабильность
Максимальная разница PSNR для обоих алгоритмов
 для одинакового тестового и тренировочного набора

данных: < 0.71 dB
 для разных: < 0.55 dB

R. Vanam, E. Riskin, S. Hemami, R. Ladner. Distortion-
Complexity Opti-mization of the H.264/MPEG-4 AVC 28/85
CS MSU Graphics & Media Lab (Video Group) Encoder using the GBFOS Algorithm. Proc. IEEE, 2007.

Only for
Maxus 

 Алгоритм на основе симплекс метода
 Планы
32/85

Only for
Maxus 

Симплекс-метод
 Другие названия:
 метод Нелдера — Мида
 метод деформируемого многогранника
 Задача:
f (x1 ,..., xn ) → min
 Суть метода:
 последовательное перемещение и деформирование
симплекса вокруг точки экстремума
 Характеристики:
+ не использует градиентов функции
+ применим к негладким функциям
− находит локальный минимум
− f – скалярная функция
33/85

Only for
Maxus 

 Симплекс - многогранник, имеющий n+1 вершину, где
n - число факторов, влияющих на процесс (параметров)
 Примитивы:

min min

max max
max max
отражение и глобальное
симплекс отражение (α) сжатие (β)
растяжение (γ) сжатие (0.5)
 Параметры метода:
 коэффициент отражения α > 0 (обычно α=1)
 коэффициент сжатия β > 0 (обычно β=0,5)
 коэффициент растяжения γ > 0 (обычно γ=2)
34/85

Only for
Maxus 

1. Инициализация: x1,…,xn+1 - симплекс n-мерного пространств
2. Вычисляем f(xi), i=1,…,n+1
3. Выбираем m : f (x m ) = max f (x i )
1 i=1 ,n+1
4. Вычисляем x c = ∑ i x
n i≠m
5. Проводим оптимизацию шага в направлении от xm к xc
(отражение и растяжение или сжатие)
6. Переходим на шаг 3, пока оптимизация изменяет
положения вершин
7. Выбираем вершину с наименьшим значением f и вокруг нее
строим симплекс меньшего размера (сжатие)
8. Переходим на шаг 2, пока размер очередного симплекса
больше требуемой точности
35/85

Only for
Maxus 


36/85

Only for
Maxus 
Алгоритм на основе
симплекс-метода

 Optimizer O контролирует выход из цикла
 Trial generator G генерирует очередной набор значений
параметров с помощью симплекс-метода
Zhang, Huipin; Cote, Guy. Determining optimal
configuration of video encoding parameters using
numerical search algorithms. Proc. SPIE, 2008. 38/85

Only for
Maxus 

 Алгоритм на основе симплекс-метода был применен
авторами статьи для решения следующих задач:
+ Выбор адаптивного параметра квантования
макроблоков
− Выбор матрицы квантования


Only for
Maxus 
Процесс квантования при
кодировании
 Макроблок после применения DCT преобразования:

 Для увеличения сжатия, отсекают наименее значимые
детали с помощью квантования
 Квантование – деление величины на некоторое целое
число, называемое квантом
 Операция квантования применяется дважды
43/85

Only for
Maxus 
Процесс квантования при
кодировании
1. С помощью матрицы квантования:
Xafter_QM = Xbefore_QM ./ QM
 Xafter_QM – макроблок до 1 квантования
 Xbefore_QM – макроблок после 1 квантования
 QM - матрица квантования (параметр видео)
2. С помощью порога квантования
Xafter_QP = round (Xafter_QM / Qstep)
 Xafter_QP – макроблок до 1 квантования
 Qstep – шаг квантования, стандарт задает 52 возможных
значения которые проиндексированы параметром
квантования QP (параметр макроблока)
 Чем больше QP, тем выше степень сжатия и ниже качество44/85

Only for
Maxus 
Адаптивный параметр
квантования макроблоков
Система визуализации для человека (HVS) менее
чувствительна к областям:
 с большим движением
 с высокими частотами
 где DC коэффициент (несущая частота) сильно отличается от DC
коэффициента всего кадра

Qstep_MB=Qstep_PICfmotfhffdc
 Qstep_MB, Qstep_PIC – шаги квантования макроблока и всего кадра
 fmot, fhf, fdc – модифицирующие коэффициенты движения, высоких частот
и DC коэффициента

PQMB=PQPIC+round (6 log2 (fmotfhffdc))
 PQMB, PQPIC – параметры квантования макроблока и всего кадра
46/85
CS MSU Graphics & Media Lab (Video Group) configuration of video encoding parameters using

Only for
Maxus 
Модификационные
коэффициенты

47/85
CS MSU Graphics & Media Lab (Video Group) configuration of video encoding parameters using

Only for
Maxus 

 Симплекс-метод был применен для нахождения
оптимальных коэффициентов αmot, αhf, αdc для 4-х
последовательностей одновременно
 Начальные значения: (αmot, αhf, αdc)=(1, 1, 1)
 Условие останова: VQM уменьшается менее чем на
0.001


Only for
Maxus 

Результаты
 high profile H.264 видеокодек
 2-х уровневая B GOP структура длины 16
 Битрейт:
 1.5Mbps для определения оптимальных значений
 1.0, 1.5, 2.0, 3.0, 5.0 Mbps для сравнения
 Метрика качества – VQM
 4 последовательности 480P (720x480 progressive),
30fps, 450 кадров
 Chromakey
 Driving
 Opening Ceremony
 Whale Show Zhang, Huipin; Cote, Guy. Determining optimal

Only for
Maxus 


configuration of video encoding parameters using 50/85
CS MSU Graphics & Media Lab (Video Group) numerical search algorithms. Proc. SPIE, 2008.

Only for
Maxus 

 Алгоритм на основе симплекс метода
 Планы
51/85

Only for
Maxus 
Итеративный
градиентный спуск λ=λ0
p=p0
p – текущий пресет S=[]
pi – соседние пресеты для p
S – множество оптимальных пресетов
λ – текущее значение лямбды Найти M(p)
?????
λi – кандидаты на новое значение лямбды

λ = min λi p=pii Найти M(pi )
?????
M(p)=T(p)+λQ(p) i:λi≥ λ
да
нет
???
нет M(pi ) ≤ M(p) ∀ i
F ∃λii ≥ λ
∃λ ≥ λ
да
??

T (pi ) p)
T (p)
????? λ
Найти λii = S = S∪ {p}
S = S∪ {p}
Q(pi ) Q(p)
Q(p)
52/85

Only for
Maxus 

Gradient Search vs Full Search ("bus")
All presets
1.2
Auxiliary presets used by gradient search
Optimal presets found by full search only
1.15 Not optimal presets found by gradient search
Optimal presets found by gradient search

1.1
Quality, Q

1.05

1

0.95

0.9

0.85

1 2 3 4 5 6 7 8 9 10
Time, T 54/85

Only for
Maxus 

 Алгоритм, основанный на методе отсечения ветвей дерева
(GBFOS)
 Планы 55/85

Only for
Maxus 
Подсчет средних
характеристик по параметрам
 В результате полного перебора пресетов, каждое
значение параметра присутствует в замерах одинаковое
количество раз
 Считается среднее значение и дисперсия
 По PSNR
 По битрейту
 Время кодирования не учитывается

1 2
n
1 n 2
Q1  10 log  PSNRi  Q 2  10 log  bpsi 
 n i 1   n i 1 
 Для ускорения перебора используются ортогональные
массивы
Sangyoun Lee; Madisetti, V.K. Parameter
optimization of robust low-bit-rate video 56/85
56
CS MSU Graphics & Media Lab (Video Group) coders. IEEE,1999

Only for
Maxus 


57/85
57
Sangyoun Lee; Madisetti, V.K. Parameter optimization
of robust low-bit-rate video coders. IEEE,1999

Only for
Maxus 


 Обучение: ―foreman‖
 Тестирование: ―carphone‖, ―mother-
daughter‖, ―suzie‖, ―salesman‖, ―trevor‖

 По сравнению с рекомендациями TMN5
(H.263) получено +0.2 dB в среднем (по
PSNR)
Sangyoun Lee; Madisetti, V.K. Parameter
optimization of robust low-bit-rate video 58/85
58
CS MSU Graphics & Media Lab (Video Group) coders. IEEE,1999

Only for
Maxus 

 Планы 59/85

Only for
Maxus 
Анализ раскрашенных
облаков точек

 Графики строятся для каждого рассматриваемого
параметра
 Точки, соответствующие одному значению
выбранного параметра, раскрашены в один цвет
 Точки раскрашиваются в произвольном порядке
 Анализируют расположения облаков точек
одного цвета:
 Чем больше точек одного цвета лежит рядом с огибающей линией,
тем лучше соответствующее этому цвету значение параметра
60/85

Only for
Maxus 

61/85

Only for
Maxus 

Характеристики:
+ Простота и наглядность метода
− Выводы совершаются на основе субъективного
визуального анализа расположения облаков точек
одного цвета

62/85

Only for
Maxus 

 Планы 63/85

Only for
Maxus 

Лямбда анализ

64/85

Only for
Maxus 

Выбор лямбд
Выбираем набор значений λ так, чтобы количество новых лучших
пресетов для соседних λ было постоянным
other presets
1,2  = 0,01 (Time = 2,28, Quality = 0,84)
 = 0,03 (Time = 2,28, Quality = 0,84)
 = 0,06 (Time = 1,31, Quality = 0,87)
1,15  = 0,11 (Time = 1,15, Quality = 0,88)
 = 0,21 (Time = 0,88, Quality = 0,92)
 = 0,26 (Time = 0,88, Quality = 0,92)
1,1
 = 0,33 (Time = 0,84, Quality = 0,93)
Better Quality

 = 0,50 (Time = 0,55, Quality = 1,06)
Quality, Q

1,05  = 1,12 (Time = 0,46, Quality = 1,14)

1,

0,95

0,9

0,85

1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11,
Time, T
Faster
65/85

Only for
Maxus 

Выбор лучших пресетов

 Для каждого значения λ
рассматривается величина:

M(p) = T(p) + λQ(p)

 Лучшими считаются 10%
пресетов с минимальным
значением M(p)

66/85

Only for
Maxus 

Интерпретация лямбды
10% Best Presets for Chosen  = 0,25

1,2
All presets
Line M=*T+Q with smallest M
1,15
Line M=*T+Q with highest M
1,1
One best preset for chosen 
Better Quality
Quality, Q

1,05

1,

0,95

0,9
Better Common Quality

0,85

1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11,
Time, T
Faster
67/85

Only for
Maxus 
Вычисление плотности
пресетов
Для каждого параметра строится график зависимости
плотности пресетов с каждым возможным значением k от λ:
N(λ , k )
N% (λ , k ) = 100
∑ N(λ , m)
m
λ
Nk
N(λ , k ) =
Nk
 N% (λ , k ) - плотность в % пресетов со значением
параметра равным k для заданной λ
λ
 Nk - количество пресетов со значением параметра
равным k среди 10% лучших пресетов для заданной λ
 Nk - количество пресетов со значением параметра равным
k среди всех пресетов
68/85

Only for
Maxus 

Motion Estimation Method
Q = 0,84 0,860,87
0,88 0,92 0,93 1,06 1,14 1,19 Q = 1,19
1,

60, dia
0,9
hex
Greater Relative Quantity of Points

0,8 umh
50,
tesa
Number of Best Presets, in %

0,7

40,
0,6

0,5
30,
0,4

20,
0,3

0,2
10,
0,1

0,
T = 2,28 1,651,31
1,15 0,88 0,84 0,55 0,46 0,42 T = 0,42
Time, T
Greater Ratio of Time to Quality
69/85

Only for
Maxus 


 Анализируют линии на графике
соответствующие разным значениям заданного
параметра:
 Чем выше линия, тем лучше значение параметра
 Если у линии есть максимум при каком-то λ, значит
это значение λ оптимально, если мы хотим
использовать это значение параметра

70/85

Only for
Maxus 

Lambda Analysis vs Convex Hull Presets

1.2 All presets
Convex hull presets
1.15
Lambda analysis best presets
Lambda analysis predicted best presets
1.1
Quality, Q

1.05

1

0.95

0.9

0.85

1 2 3 4 5 6 7 8 9 10 11
Time, T
71/85

Only for
Maxus 

+ Позволяет оценивать эффективность кодирования
при различном качестве кодирования
+ Позволяет находить оптимальное соотношение
времени и качества для конкретного значения
параметра (точка максимума на графике)
− Выбор набора значений λ
− Информация о параметрах, лучших в экстремальных
случаях может потеряться
− Выводы анализа зависят от выбора значений
параметров* 72/85

Only for
Maxus 

 Планы
73/85

Only for
Maxus 
Анализ с помощью
выкидывания огибающих

74/85

Only for
Maxus 

Ранжирование пресетов
Находим пресеты p1,…,pn, k=1
лежащие на огибающей S=все пресеты

Присваиваем
R(p1)=…=R(pn)=k

Исключаем p1,…,pn
нет
да
S пусто? k=k+1

S – текущее множество пресетов
F pi – пресеты, лежащие на огибающей линии для S
R(p) – ранг пресета
75/85

Only for
Maxus 
Разбиение пресетов на
классы
Разбиваем все пресеты на классы по рангу R:
classn = {p|R(p) ∈ [1 + 10n,11n]}, n ≥ 0
Distance from Convex Hull
other presets
1,2 convex hulls ## 1 - 10
convex hulls ## 11 - 20
1,15 convex hulls ## 31 - 40
1,1
Better Quality

Quality, Q

1,05 convex hulls ## 81 - 90
1, convex hulls ## 111 - 120

0,95

0,9

0,85

1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11,
Time, T
Faster
76/85

Only for
Maxus 
Вычисление плотности
пресетов
Для каждого параметра строится график зависимости
плотности пресетов с каждым возможным значением k от
номера класса n:
N(n, k )
N% (n, k ) = 100
∑ N(n, m)
m
Nn
N(n, k ) = k
Nk
 N% (n, k ) - плотность в % пресетов со значением
параметра равным k в классе n
 Nn - количество пресетов со значением параметра
k
равным k среди 10% лучших пресетов в классе n
 Nk - количество пресетов со значением параметра равным
k среди всех пресетов
77/85

Only for
Maxus 
B-frames

70,
Good Bad
Greater Relative Quantity of Points

60, presets presets
Number of Best Presets, in %

0
2

Better
50,
4
Better

40,

30,

20,

10,

0, 2, 4, 6, 8, 10, 12, 14, 16,
Numbers of Convex Hulls
Closer to the Really Convex Hull (Better Common Quality)
78/85

Only for
Maxus 

 Анализируют линии на графике
соответствующие разным значениям заданного
параметра:
 Чем выше линия для маленьких номеров классов, тем
лучше значение параметра
 Чем ниже линия для больших номеров классов, тем
лучше значение параметра
 Если две линии пересекаются, то можно сказать, что
одно значение параметра лучше другого

79/85

Only for
Maxus 

+ Позволяет находить оптимальные значения
параметров, когда нет априорных знаний о
желаемом соотношении между скоростью
кодирования и качеством закодированного видео
− Выводы анализа зависят от выбора значений
параметров*

80/85

Only for
Maxus 

 Планы
81/85

Only for
Maxus 
(вместе с Володей)
 Разработана система для массовых замеров параметров
видеокодека
 Разработан метод поиска оптимальных пресетов, требующий
запуска около 15% пресетов
 Разработаны среда для анализа параметров 2-х
критериальной задачи:
 Анализ раскрашенных облаков
 Лямбда анализ
 (Анализ с помощью выкидывания огибающих)
 Проведен анализ параметров видеокодеков с помощью среды
 Проведен анализ стабильности методов анализа
относительно:
 Выбора последовательностей
 Ошибок замеров
82/85

Only for
Maxus 

 Планы 83/85

Only for
Maxus 

Планы
 Верификация методов анализа
 Анализ стабильности методов анализа относительно:
 выбора последовательностей
 выбора значений параметров
 ошибок замеров
 выбора метрики качества
 Объединение выводов нескольких методов анализа
 Анализ зависимостей параметров
 Возможность анализа параметров по неполным
данным
 Разработка других методов анализа
84/85

Only for
Maxus 

Вопросы

85/85

Only for
Maxus 

Литература
1. R. Vanam, E. Riskin, S. Hemami, R. Ladner. Distortion-Complexity
Optimization of the H.264/MPEG-4 AVC Encoder using the GBFOS
Algorithm. Proceedings of the IEEE Data Compression Conference,
Snowbird, UT, March 2007.
2. Zhang, Huipin; Cote, Guy. Determining optimal configuration of video
encoding parameters using numerical search algorithms. Proceedings of
the SPIE, Volume 6822, pp. 682211-682211-7 (2008).
3. Лотов А.В., Поспелова И.И. Конспект лекций по теории и методам
многокритериальной оптимизации. – М.: МГУ, 2008.
4. Sangyoun Lee; Madisetti, V.K. Parameter optimization of robust low-bit-
rate video coders. IEEE,1999.
5. D.Saupe, M.Ruhl, R.Hamzaoui, L.Grandi, D.Marini. Optimal hierarchical
partitions for fractal image compression. IEEE,1998.
86/85

Анализ парапетров кодеков

Recommandé

Recommandé

Contenu connexe

Tendances

Tendances (7)

Similaire à Анализ парапетров кодеков

Similaire à Анализ парапетров кодеков (20)

Plus de MSU GML VideoGroup

Plus de MSU GML VideoGroup (20)

Dernier

Dernier (9)

Анализ парапетров кодеков