Redução do tempo de codificação de mapas de profundidade do 3D-HEVC usando árvores de decisão estáticas construídas através de Data Mining

• Ano de defesa: 2019
• Autor(a) principal: Saldanha, Mário Roberto de Freitas
• Orientador(a): Agostini, Luciano Volcan
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Pelotas
• Programa de Pós-Graduação: Programa de Pós-Graduação em Computação
• Departamento: Centro de Desenvolvimento Tecnológico
• País: Brasil
• Palavras-chave em Português: Codificação de vídeo 3D; 3D-HEVC; Redução do tempo de codificação; Mapas de profundidade; Mineração de dados; 3D video coding; Coding time reduction; Depth maps; Data mining
• Área do conhecimento CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
• Link de acesso: http://guaiaca.ufpel.edu.br/handle/prefix/4560

Esta dissertação apresenta uma solução para redução do tempo de codificação dos mapas de profundidade no 3D-High Efficiency Video Coding (3D-HEVC). Com a inserção dos mapas de profundidade no 3D-HEVC é possível reduzir significativamente o tamanho do vídeo codificado e transmistido para o decodificador. No entanto, os dados dos mapas de profundidade devem ser codificados de forma eficiente para que seja possível gerar as vistas sintetizadas com boa qualidade visual. Além das ferramentas utilizadas para codificar os dados de textura, o 3D-HEVC adiciona novas ferramentas desenvolvidas para codificação dos mapas de profundidade avaliando diversos tamanhos de blocos e modos de codificação, e isso gera um alto custo computacional. Este trabalho propõe uma abordagem com a utilização da mineração de dados para treinar seis árvores de decisão com informações extraídas do software de referência 3D-HEVC Test Model (3D-HTM) 16.0. Cada árvore de decisão é responsável por decidir se a Unidade de Codificação (UC) que está sendo codificada deve ser dividida em tamanhos menores. As árvores de decisão foram construídas para tamanhos de UCs 64×64, 32×32 e 16×16 e três árvores de decisão são especializadas para quadros I e três especializadas para quadros P e B. Avaliando a solução com o 3D-HTM 16.0 foi possível alcançar uma redução no tempo total de execução de 52% com um impacto desprezível de 0,18% considerando o Bjontegaard Delta-rate (BD-rate), quando comparado ao 3D-HTM sem modificações. Além disso, os resultados demonstraram que a solução supera os resultados alcançados pelos trabalhos relacionados.