随着远程监控和人工智能的融合发展,传统的码率优化算法并不适用于现阶段的移动监控网络场景。在机器视觉应用场景中,相对于传统码率优化算法只关注视频的质量,机器更关注于视频所表达的语义信息。以5G路侧摄像头远程智能检测为应用场景...随着远程监控和人工智能的融合发展,传统的码率优化算法并不适用于现阶段的移动监控网络场景。在机器视觉应用场景中,相对于传统码率优化算法只关注视频的质量,机器更关注于视频所表达的语义信息。以5G路侧摄像头远程智能检测为应用场景,提出一种基于视频语义的码率优化算法,在有限的码率传输范围内最大化目标检测准确率。具体地,该算法引入视频语义任务模型,将目标检测作为语义任务。分析目标比特与语义之间的特征关系,建立复杂度与运动区域结合的新权重来分配目标比特,使目标检测准确率达到最大化。实验结果表明,相较于HM16.23所使用的帧级树编码单元(Coding Tree Unit, CTU)层码率控制算法,所提算法不仅能够节省码率而且更符合无线远程监控的目标检测需求。在测试环境下平均提升了1.4%的目标检测准确率,最高能够提升2.5%的目标检测准确率。展开更多
文摘随着远程监控和人工智能的融合发展,传统的码率优化算法并不适用于现阶段的移动监控网络场景。在机器视觉应用场景中,相对于传统码率优化算法只关注视频的质量,机器更关注于视频所表达的语义信息。以5G路侧摄像头远程智能检测为应用场景,提出一种基于视频语义的码率优化算法,在有限的码率传输范围内最大化目标检测准确率。具体地,该算法引入视频语义任务模型,将目标检测作为语义任务。分析目标比特与语义之间的特征关系,建立复杂度与运动区域结合的新权重来分配目标比特,使目标检测准确率达到最大化。实验结果表明,相较于HM16.23所使用的帧级树编码单元(Coding Tree Unit, CTU)层码率控制算法,所提算法不仅能够节省码率而且更符合无线远程监控的目标检测需求。在测试环境下平均提升了1.4%的目标检测准确率,最高能够提升2.5%的目标检测准确率。