Proposta e Análise de Arquiteturas de Redes Neurais Convolucionais para Melhoria da Qualidade de Vídeos Comprimidos

Abstract

Nos últimos anos, técnicas de deep learning têm sido aplicadas com sucesso em diversas áreas como análise de dados, visão computacional, processamento de imagens e compressão de vídeo. Simultaneamente, há uma crescente demanda por técnicas para compressão de vídeo de alta resolução que não comprometam o armazenamento nem a quantidade de dados requeridos para transmissão. Assim, o uso de módulos aceleradores em hardware e de técnicas de deep learning destacam-se como opções para aumentar a eficiência dos codificadores de vídeo. Para o desenvolvimento de técnicas de deep learning, os datasets utilizados para treinamento dos modelos são fundamentais e por isso, merecem especial atenção. Durante o período de realização deste trabalho de iniciação científica foram estudadas técnicas de melhorias da qualidade da compressão em nível de pós-processamento de vídeos, a saber, implementações de soluções para os filtros de pós-processamento e redes neurais convolucionais (CNN). Além disso, foi abordada a questão de datasets através de levantamento das possibilidades e do desenvolvimento de software para parsing de vídeos no formato .y4m e geração de tuplas de quadros. As tuplas de quadros serão usadas no treinamento, validação e testes dos modelos de CNNs.