H.266中MMLM技术的详细流程

JEM中的色度模式总共有11种,包括5种传统预测模式和6种CCLM模式,其中6种CCLM模式又包括1种单模型CCLM(编号67)模式和5种多模型CCLM模式(编号68-72)。在色度预测的总函数中,遍历这11种模式,根据代价选择最优的一个。

1.   首先,为了加快RD cost的选择过程,我们先用69-72这四种MMLM模式对色度信号进行预测,从而计算简单的SATD,选择最小的一种模式进行后续的RD COST的比较,其他三种则排除;

2.   然后对剩余8种模式进行完整的RD Cost的比较;

2.1.      若是传统的预测模式(角度或者DC或者PLANAR),则按照相应的计算公式计算预测值;

2.2.      如果单模型CCLM,则使用当前块的相邻亮度采样(上相邻一行左相邻一列)和色度采样计算参数a和b,然后按照线性模型用当前块的亮度采样预测色度采样;

2.3.      如果是多模型CCLM,则

2.3.1. 因为亮度块和色度块的大小不一致,所以先对亮度采样进行下采样,顺序为先对上相邻4行亮度分量进行下采样,再对左相邻4列亮度分量进行下采样,最后对当前块亮度分量进行下采样(还有68,69,70,71,72 MMLM模式之间的差异在于使用的下采样滤波器不一样,68使用默认的6抽头滤波器(67也是),69,70,71分别使用3种不同的2抽头滤波器,72使用4抽头滤波器);

2.3.2. 统计上相邻两行左相邻两列的采样个数,并将相邻亮度采样和色度采样分别保存至LumaSamples和ChrmSamples(若采样个数少于4个,则a,b使用默认值0和512,inf和sup (用于当前亮度块的分组)分别为0和1023);

2.3.3. 计算相邻亮

### MMLM 和 AP 评估指标的定义及应用场景 #### Masked Multi-Layer Model (MMLM) Masked Multi-layer Model (MMLM) 并不是一个广泛使用的标准术语,尤其是在信息检索或机器学习领域。如果指的是类似于 BERT 中采用的 Masked Language Modeling (MLM),那么该方法是指一种预训练策略,其中模型被训练来预测输入序列中随机遮蔽掉的一些单词[^1]。 这种机制允许模型理解上下文并学会双向编码器表示,从而更好地捕捉文本中的语义关系。在实际应用中,MLM 被用于各种自然语言处理任务前的任务无关阶段,即预训练阶段,之后再针对具体的下游任务进行微调。 #### Average Precision (AP) Average Precision (AP) 是衡量信息检索系统性能的一个重要度量,在二分类或多标签分类问题中也经常使用。它综合考虑了查准率(Precision)和查全率(Recall)两个方面: - **Precision at k**: 对于给定查询返回的结果列表,取前k个文档中有多少是相关文档的比例。 - **Recall at k**: 前k个文档中找到的相关文档占所有真实相关文档总数的比例。 AP 计算方式如下:对于每一个召回水平 r ∈ {0, ..., R}(R 表示最大可能的召回),计算此时对应的精度 p(r),然后求这些精度值的平均值得到最终的 AP 分数。当存在多个相关项时,AP 可以看作是对不同阈值下 precision-recall 曲线下面积的一种估计[^2]。 ```python def average_precision(relevant_items, retrieved_items): """ Calculate the Average Precision. :param relevant_items: List of items that are actually relevant to the query. :param retrieved_items: Ordered list of items returned by a search engine or classifier. :return: The calculated Average Precision score as float value between 0 and 1. """ if not relevant_items: return 0 num_relevant = sum([1 for item in retrieved_items[:len(relevant_items)] if item in relevant_items]) ap_sum = 0.0 hit_count = 0 for i, doc_id in enumerate(retrieved_items): if doc_id in relevant_items: hit_count += 1 precision_at_k = hit_count / (i + 1) ap_sum += precision_at_k avg_prec = ap_sum / min(len(relevant_items), len(retrieved_items)) return avg_prec ```
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值