La transformación y la cuantificación desempeñan un papel fundamental en los códecs de vídeo. Los algoritmos de transformación discreta del coseno (DCT) basados en números enteros algebraicos (AI) propuestos recientemente se analizan en presencia de cuantización, utilizando el estándar de codificación de vídeo de alta eficiencia (HEVC). La DCT AI se implementa y prueba en lógica asíncrona cuasi insensible al retardo, utilizando la matriz de puertas programables de campo (FPGA) Achronix SPD60, lo que conduce a una menor complejidad, mayor velocidad de operación e insensibilidad a las variaciones de voltaje-temperatura del proceso. El rendimiento de AI DCT con HEVC se mide en términos de precisión de los coeficientes de transformación y las características generales de distorsión de la tasa (R-D), utilizando el software de referencia HM 7.1. Los resultados indican una mejora del 31% con respecto a la versión anterior. Los resultados indican una mejora del 31% con respecto a la DCT entera en el número de coeficientes de transformación con error dentro del 1%. Se investiga el rendimiento del hardware asíncrono de 65 nm en términos de velocidad de funcionamiento y se compara con la FPGA Xilinx síncrona de 65 nm. Considerando longitudes de palabra de 5 y 6 bits, se observa un aumento de velocidad del 230
y 199%, respectivamente. Estos resultados indican que AI DCT puede utilizarse potencialmente en HEVC para aplicaciones que requieran una gran precisión y un alto rendimiento. Sin embargo, se requieren nuevos esquemas de cuantificación para permitir las mejoras de precisión obtenidas.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
Sistemas multivalentes con atractores de espiral ocultos y autoexcitados generados a través de sistemas lineales por partes.
Artículo:
Innovación del servicio de seguros basada en datos en la era del Big Data mediante computación en la nube.
Artículo:
Técnica de Redundancia Modular Adaptativa Sostenible que Enfatiza la Reconfiguración Parcial para una Reducción del Consumo de Energía
Artículo:
Seguimiento de objetivos mediante filtro de partículas y red convolucional
Artículo:
Un Enfoque de Aprendizaje Automático Impulsado por Datos de Alta Frecuencia para la Predicción de la Demanda en Ciudades Inteligentes