Анализ парапетров кодеков
Upcoming SlideShare
Loading in...5
×
 

Анализ парапетров кодеков

on

  • 1,064 views

 

Statistics

Views

Total Views
1,064
Views on SlideShare
1,064
Embed Views
0

Actions

Likes
0
Downloads
2
Comments
0

0 Embeds 0

No embeds

Accessibility

Categories

Upload Details

Uploaded via as Adobe PDF

Usage Rights

© All Rights Reserved

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Processing…
Post Comment
Edit your comment

Анализ парапетров кодеков Анализ парапетров кодеков Presentation Transcript

  • Обзор методов анализа параметров видеокодеков и систем обработки видео Кира Рагулина Video Group CS MSU Graphics & Media Lab
  • Only for Maxus  Содержание  Введение  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 CS MSU Graphics & Media Lab (Video Group) View slide
  • 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 CS MSU Graphics & Media Lab (Video Group) View slide
  • Only for Maxus  Постановка задачи 1. Проанализировать влияние различных параметров на время кодирования и качество закодированного видео 2. Найти оптимальные пресеты 5/85 CS MSU Graphics & Media Lab (Video Group)
  • 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 CS MSU Graphics & Media Lab (Video Group)
  • 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 CS MSU Graphics & Media Lab (Video Group)
  • Only for Maxus  Проблемы алгоритмов  Поиск оптимальных пресетов  Качество пресета  Способ неполного перебора  Сложность  Полнота  Точность  Стабильность  Анализ различных значений параметров  Качество пресета  Неполные данные  Оценка значений параметров  Выявление зависимостей  Верификация  Стабильность 8/85 CS MSU Graphics & Media Lab (Video Group)
  • 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 CS MSU Graphics & Media Lab (Video Group)
  • Only for Maxus  Содержание  Введение  Поиск оптимальных пресетов  Основные понятия  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  Анализ различных значений параметров  Подсчет средних характеристик по параметрам  Разноцветные облака точек  Лямбда анализ  Анализ с помощью выкидывания огибающих  Результаты  Планы 10/85 CS MSU Graphics & Media Lab (Video Group)
  • 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 CS MSU Graphics & Media Lab (Video Group)
  • 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 CS MSU Graphics & Media Lab (Video Group)
  • 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 CS MSU Graphics & Media Lab (Video Group)
  • Only for Maxus  Содержание  Введение  Поиск оптимальных пресетов  Основные понятия  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  Анализ различных значений параметров  Подсчет средних характеристик по параметрам  Разноцветные облака точек  Лямбда анализ  Анализ с помощью выкидывания огибающих  Результаты  Планы 16/85 CS MSU Graphics & Media Lab (Video Group)
  • 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 R. Vanam, E. Riskin, S. Hemami, R. Ladner. Distortion-Complexity Opti-mization of the 19/85 CS MSU Graphics & Media Lab (Video Group) H.264/MPEG-4 AVC Encoder using the GBFOS Algorithm. Proc. IEEE, 2007.
  • 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 R. Vanam, E. Riskin, S. Hemami, R. Ladner. Врем Distortion-Complexity Opti-mization of the 20/85 я CS MSU Graphics & Media Lab (Video Group) H.264/MPEG-4 AVC Encoder using the GBFOS Algorithm. Proc. IEEE, 2007.
  • 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 R. Vanam, E. Riskin, S. Hemami, R. Ladner. Distortion-Complexity Opti-mization of the 22/85 CS MSU Graphics & Media Lab (Video Group) H.264/MPEG-4 AVC Encoder using the GBFOS Algorithm. Proc. IEEE, 2007.
  • 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 R. Vanam, E. Riskin, S. Hemami, R. Ladner. Врем Distortion-Complexity Opti-mization of the 23/85 я CS MSU Graphics & Media Lab (Video Group) H.264/MPEG-4 AVC Encoder using the GBFOS Algorithm. Proc. IEEE, 2007.
  • 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 CS MSU Graphics & Media Lab (Video Group) H.264/MPEG-4 AVC Encoder using the GBFOS Algorithm. Proc. IEEE, 2007.
  • 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% R. Vanam, E. Riskin, S. Hemami, R. Ladner. Distortion-Complexity Opti-mization of the 25/85 CS MSU Graphics & Media Lab (Video Group) H.264/MPEG-4 AVC Encoder using the GBFOS Algorithm. Proc. IEEE, 2007.
  • 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  Содержание  Введение  Поиск оптимальных пресетов  Основные понятия  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  Анализ различных значений параметров  Подсчет средних характеристик по параметрам  Разноцветные облака точек  Лямбда анализ  Анализ с помощью выкидывания огибающих  Результаты  Планы 32/85 CS MSU Graphics & Media Lab (Video Group)
  • 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 CS MSU Graphics & Media Lab (Video Group)
  • Only for Maxus  Симплекс-метод  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 CS MSU Graphics & Media Lab (Video Group)
  • Only for Maxus  Симплекс-метод 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 CS MSU Graphics & Media Lab (Video Group)
  • Only for Maxus  Симплекс-метод 36/85 CS MSU Graphics & Media Lab (Video Group)
  • 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 CS MSU Graphics & Media Lab (Video Group)
  • Only for Maxus  Алгоритм на основе симплекс-метода  Алгоритм на основе симплекс-метода был применен авторами статьи для решения следующих задач: + Выбор адаптивного параметра квантования макроблоков − Выбор матрицы квантования Zhang, Huipin; Cote, Guy. Determining optimal configuration of video encoding parameters using numerical search algorithms. Proc. SPIE, 2008. 39/85 CS MSU Graphics & Media Lab (Video Group)
  • 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 CS MSU Graphics & Media Lab (Video Group)
  • 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 CS MSU Graphics & Media Lab (Video Group)
  • 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 Zhang, Huipin; Cote, Guy. Determining optimal 46/85 CS MSU Graphics & Media Lab (Video Group) configuration of video encoding parameters using
  • Only for Maxus  Модификационные коэффициенты Zhang, Huipin; Cote, Guy. Determining optimal 47/85 CS MSU Graphics & Media Lab (Video Group) configuration of video encoding parameters using
  • Only for Maxus  Алгоритм на основе симплекс-метода  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 Zhang, Huipin; Cote, Guy. Determining optimal configuration of video encoding parameters using numerical search algorithms. Proc. SPIE, 2008. 48/85 CS MSU Graphics & Media Lab (Video Group)
  • 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 configuration of video encoding parameters using numerical search algorithms. Proc. SPIE, 2008. 49/85 CS MSU Graphics & Media Lab (Video Group)
  • Only for Maxus  Результаты Zhang, Huipin; Cote, Guy. Determining optimal configuration of video encoding parameters using 50/85 CS MSU Graphics & Media Lab (Video Group) numerical search algorithms. Proc. SPIE, 2008.
  • Only for Maxus  Содержание  Введение  Поиск оптимальных пресетов  Основные понятия  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  Анализ различных значений параметров  Подсчет средних характеристик по параметрам  Разноцветные облака точек  Лямбда анализ  Анализ с помощью выкидывания огибающих  Результаты  Планы 51/85 CS MSU Graphics & Media Lab (Video Group)
  • 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 CS MSU Graphics & Media Lab (Video Group)
  • Only for Maxus  Результаты 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 CS MSU Graphics & Media Lab (Video Group)
  • Only for Maxus  Содержание  Введение  Поиск оптимальных пресетов  Основные понятия  Алгоритм, основанный на методе отсечения ветвей дерева (GBFOS)  Алгоритм, основанный на симплекс-методе  Итеративный градиентный спуск  Анализ различных значений параметров  Подсчет средних характеристик по параметрам  Разноцветные облака точек  Лямбда анализ  Анализ с помощью выкидывания огибающих  Результаты  Планы 55/85 CS MSU Graphics & Media Lab (Video Group)
  • 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  Результаты 57/85 57 Sangyoun Lee; Madisetti, V.K. Parameter optimization CS MSU Graphics & Media Lab (Video Group) of robust low-bit-rate video coders. IEEE,1999
  • Only for Maxus  Результаты  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  Содержание  Введение  Поиск оптимальных пресетов  Основные понятия  Алгоритм, основанный на методе отсечения ветвей дерева (GBFOS)  Алгоритм, основанный на симплекс-методе  Итеративный градиентный спуск  Анализ различных значений параметров  Подсчет средних характеристик по параметрам  Разноцветные облака точек  Лямбда анализ  Анализ с помощью выкидывания огибающих  Результаты  Планы 59/85 CS MSU Graphics & Media Lab (Video Group)
  • 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 CS MSU Graphics & Media Lab (Video Group)
  • Only for Maxus  Анализ раскрашенных облаков точек 61/85 CS MSU Graphics & Media Lab (Video Group)
  • Only for Maxus  Анализ раскрашенных облаков точек Характеристики: + Простота и наглядность метода − Выводы совершаются на основе субъективного визуального анализа расположения облаков точек одного цвета 62/85 CS MSU Graphics & Media Lab (Video Group)
  • Only for Maxus  Содержание  Введение  Поиск оптимальных пресетов  Основные понятия  Алгоритм, основанный на методе отсечения ветвей дерева (GBFOS)  Алгоритм, основанный на симплекс-методе  Итеративный градиентный спуск  Анализ различных значений параметров  Подсчет средних характеристик по параметрам  Разноцветные облака точек  Лямбда анализ  Анализ с помощью выкидывания огибающих  Результаты  Планы 63/85 CS MSU Graphics & Media Lab (Video Group)
  • Only for Maxus  Лямбда анализ 64/85 CS MSU Graphics & Media Lab (Video Group)
  • Only for Maxus  Выбор лямбд Выбираем набор значений λ так, чтобы количество новых лучших пресетов для соседних λ было постоянным 10% Best Presets for Chosen  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 CS MSU Graphics & Media Lab (Video Group)
  • 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 CS MSU Graphics & Media Lab (Video Group)
  • 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 67/85 CS MSU Graphics & Media Lab (Video Group)
  • 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 CS MSU Graphics & Media Lab (Video Group)
  • Only for Maxus  Лямбда анализ 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 CS MSU Graphics & Media Lab (Video Group)
  • Only for Maxus  Лямбда анализ  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 CS MSU Graphics & Media Lab (Video Group)
  • Only for Maxus  Лямбда анализ 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 CS MSU Graphics & Media Lab (Video Group)
  • Only for Maxus  Лямбда анализ Характеристики: + 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 CS MSU Graphics & Media Lab (Video Group)
  • Only for Maxus  Содержание  Введение  Поиск оптимальных пресетов  Основные понятия  Алгоритм, основанный на методе отсечения ветвей дерева (GBFOS)  Алгоритм, основанный на симплекс-методе  Итеративный градиентный спуск  Анализ различных значений параметров  Подсчет средних характеристик по параметрам  Разноцветные облака точек  Лямбда анализ  Анализ с помощью выкидывания огибающих  Результаты  Планы 73/85 CS MSU Graphics & Media Lab (Video Group)
  • Only for Maxus  Анализ с помощью выкидывания огибающих 74/85 CS MSU Graphics & Media Lab (Video Group)
  • 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 CS MSU Graphics & Media Lab (Video Group)
  • 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 convex hulls ## 21 - 30 1,15 convex hulls ## 31 - 40 convex hulls ## 41 - 50 convex hulls ## 51 - 60 1,1 convex hulls ## 61 - 70 Better Quality convex hulls ## 71 - 80 Quality, Q 1,05 convex hulls ## 81 - 90 convex hulls ## 91 - 100 convex hulls ## 101 - 110 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 CS MSU Graphics & Media Lab (Video Group)
  • 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 CS MSU Graphics & Media Lab (Video Group)
  • Only for Maxus  Анализ с помощью выкидывания огибающих 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 CS MSU Graphics & Media Lab (Video Group)
  • Only for Maxus  Анализ с помощью выкидывания огибающих  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 CS MSU Graphics & Media Lab (Video Group)
  • Only for Maxus  Анализ с помощью выкидывания огибающих Характеристики: + 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 CS MSU Graphics & Media Lab (Video Group)
  • Only for Maxus  Содержание  Введение  Поиск оптимальных пресетов  Основные понятия  Алгоритм, основанный на методе отсечения ветвей дерева (GBFOS)  Алгоритм, основанный на симплекс-методе  Итеративный градиентный спуск  Анализ различных значений параметров  Подсчет средних характеристик по параметрам  Разноцветные облака точек  Лямбда анализ  Анализ с помощью выкидывания огибающих  Результаты  Планы 81/85 CS MSU Graphics & Media Lab (Video Group)
  • Only for Maxus  Результаты (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 CS MSU Graphics & Media Lab (Video Group)
  • Only for Maxus  Содержание  Введение  Поиск оптимальных пресетов  Основные понятия  Алгоритм, основанный на методе отсечения ветвей дерева (GBFOS)  Алгоритм, основанный на симплекс-методе  Итеративный градиентный спуск  Анализ различных значений параметров  Подсчет средних характеристик по параметрам  Разноцветные облака точек  Лямбда анализ  Анализ с помощью выкидывания огибающих  Результаты  Планы 83/85 CS MSU Graphics & Media Lab (Video Group)
  • 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 CS MSU Graphics & Media Lab (Video Group)
  • Only for Maxus  Вопросы 85/85 CS MSU Graphics & Media Lab (Video Group)
  • 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 CS MSU Graphics & Media Lab (Video Group)