- 综合排序
- 最热优先
- 最新优先
- 来自专栏媒矿工厂
VP9到HEVC转码的帧间加速算法
我们选择两个阵营中各自的代表标准VP9和HEVC，设计它们之间的转码加速算法。为此，我们首先比较了HEVC和VP9在部分编码技术上的异同，两者的对比如表1所示 表1. 在此基础上，Peixoto在[2]中改进了模式映射的算法，并利用机器学习提高模式映射的精准度，达到转码加速的效果。 而VP9相关的转码加速研究目前并不多，比较重要的一个是文献[4]，其实现了HEVC到VP9的转码加速。主要有两个关键点，其一是减少帧间模式的搜索。 转码算法和结果说明 上海交通大学图像所研究团队基于传统H.264/AVC到HEVC的转码方法研究，提出了VP9到HEVC转码的帧间加速算法，一定程度上加速了转码过程，此方案主要包含以下几个步骤： 第一步是特征信息的提取 加速算法 表2所示为VP9到HEVC转码的帧间加速的实验结果，其中Depth0是仅对CU64进行加速的实验结果，Depth1是仅对CU32进行加速的实验结果，Depth0&1是结合了两者。
2.1K81发布于 2018-03-06 - 来自专栏媒矿工厂
VP9到HEVC转码的帧内加速算法
在前一部分我们讨论了VP9到HEVC的帧间转码加速算法，在这一部分我们探讨帧内部分的转码加速算法。表1所示为HEVC和VP9在部分编码技术上的异同，我们可以发现相似点与不同点。 转码算法和结果说明 上海交通大学图像所研究团队基于传统H.264/AVC到HEVC的转码方法研究，提出了VP9到HEVC转码的帧内加速算法，一定程度上加速了转码过程，此方案主要包含两个部分，分别是利用VP9 对该算法的性能进行一个理论上的分析，具体来说，该算法会面对两种情况：当VP9的递归深度较大的时候，算法的加速性能有限。 例如，当VP9的递归深度为4的时候，算法基本上不能够提供加速，HEVC编码端依然需要进行完全递归。 对于平坦区域，本算法既能有良好的加速效果，也能有良好的视频质量保证；对于纹理复杂区域，本算法加速效果受限，但有良好的视频质量保证；对于同一个区域VP9和HEVC决策差异较大的，本算法能有良好的加速效果，
1.7K80发布于 2018-03-06 - 来自专栏AI研习社
PyTorch算法加速指南
所有帖子都在这里： 1.加快算法速度，第1部分—PyTorch 2.加快算法速度，第2部分-Numba 3.加快算法速度，第3部分—并行化 4.加快算法速度，第4部分--Dask 这些与Jupyter 引言: 在本文中，我将展示如何使用torch和pycuda检查、初始化GPU设备，以及如何使算法更快。 PyTorch是建立在torch之上的机器学习库。它得到了Facebook AI研究小组的支持。 9.
1.3K20发布于 2019-11-27 - 来自专栏深度学习和计算机视觉
加速 PyTorch 模型训练的 9 个技巧
我明白，网上都是各种神经网络加速指南，但是一个checklist都没有（现在有了），使用这个清单，一步一步确保你能榨干你模型的所有性能。 [1_CER3v8cok2UOBNsmnBrzPQ](9 Tips For Training Lightning-Fast Neural Networks In Pytorch.assets/1_CER3v8cok2UOBNsmnBrzPQ.gif 你得到的加速取决于你所使用的GPU类型。我推荐个人用2080Ti，公司用V100。 9. 多节点GPU训练 每台机器上的每个GPU都有一个模型的副本。每台机器获得数据的一部分，并且只在那部分上训练。每台机器都能同步梯度。 英文原文：https://towardsdatascience.com/9-tips-for-training-lightning-fast-neural-networks-in-pytorch-8e63a502f565
1.2K20编辑于 2022-02-09 - 来自专栏Python绿色通道
9 个小技巧，加速 Python 的优化思路
本文对一些 Python 代码加速运行的技巧进行整理。 0. 代码优化原则 本文会介绍不少的 Python 代码加速运行的技巧。在深入代码优化细节之前，需要了解一些代码优化基本原则。 result = computeSqrt(size) main() 在第 1 节中我们讲到，局部变量的查找会比全局变量更快，因此对于频繁访问的变量sqrt，通过将其改为局部变量可以加速运行 sum def main(): size = 10000 for _ in range(size): sum = computeSum(size) main() 9.
1K30发布于 2021-07-13 - 来自专栏大数据和云计算技术
算法基础9：散列表
算法是基础，小蓝同学准备些总结一系列算法分享给大家，这是第9篇《散列表》，非常赞！希望对大家有帮助，大家会喜欢！ 前面系列文章： 归并排序 #算法基础#选择和插入排序 由快速排序到分治思想 算法基础：优先队列 二分查找 二叉树查找 平衡查找树概述 平衡树之红黑树 散列表是我们比较简单的一种查找算法，是用这种建议方法的扩展并能够处理更加复杂的类型的键 使用散列表的查找算法分为两步 第一步用散列函数将被查找的键转化为数组的一个索引。理想情况下，不同的键都可以变为不同的索引，但有时有特殊情况，这就涉及到我们的第二步处理碰撞冲突的过程。 一、散列函数键值转换 散列算法有很多种实现，在java中没中类型都需要相应的散列函数，例如;在正整数 最常用的是除留余数法（k%M）。 三、应用 散列表的应用是使用最广泛的算法之一 信息安全领域： Hash算法 可用作加密算法。
86120发布于 2018-07-26 - 来自专栏乐行僧的博客
9-选择排序算法
注意点： 不稳定的排序算法 代码： #include <stdio.h> typedef int bool; #define true 1 #define false 0 void swap(int swap(&a[minIndex], &a[i]); } } } int main() { int a[] = {3, 1, 2, 4, 7, 0, 5, 8, 6, 9}
14840编辑于 2022-02-25 - 来自专栏算法工程师之路
每日算法题：Day 9
作者：TeddyZhang，公众号：算法工程师之路 Day 9, Python知识点走起~ 1 编程题 【剑指Offer】树的子结构 输入两棵二叉树A，B，判断B是不是A的子结构。 struct TreeNode *right; 6 TreeNode(int x) : 7 val(x), left(NULL), right(NULL) { 8 } 9} 二叉树的镜像定义：源二叉树 8 / \ 6 10 / \ / \ 5 7 9 11 镜像二叉树 8 / \ 10 6 / \ / \ 11 9 7 5 思路： 这个使用递归的思路就很简单，一般二叉树用递归的方法很多，比如二叉树的遍历也可以使用递归的方法。 struct TreeNode *right; 6 TreeNode(int x) : 7 val(x), left(NULL), right(NULL) { 8 } 9}
45720发布于 2019-08-13 - 来自专栏Unity3D
☆打卡算法☆LeetCode 9、判断回文数 算法解析
一、题目 1、算法题目 “判断给定的整数是否是一个回文数。”
54140编辑于 2022-08-07 - 来自专栏惊羽-布壳儿
算法练习(9) - TwoSum问题变换
题目 有一个数组[1,2,5,7,8,8,9,4,4,6]，求元素 m+n = 12 的组合，将所有的 m n 组合下标打印出来，需要过滤下标重复的组合，例如 4,7 7,4 是重复组合；时间复杂度需要是 public class TwoSumTest { @Test public void twoSum_test() { int[] arr = {1,2,5,7,8,8,9,4,4,6
22410编辑于 2022-06-15 - 来自专栏华章科技
9种深度学习算法简介
导读：从算法处理的流程来划分，基于深度学习的目标检测算法可分为两阶段（Two-Stage）算法和一阶段（One-Stage）算法，两阶段算法需要先进行候选框的筛选，然后判断候选框是否框中了待检测目标，并对目标的位置进行修正 R-CNN算法 2014年，R. Girshick等人提出了R-CNN算法。 Faster R-CNN算法 2015年，S. Ren等人提出了Faster R-CNN算法，Faster R-CNN是第一个端到端算法，也是第一个接近实时深度学习的目标检测算法。 02 一阶段算法 一阶段算法和两阶段算法最主要的区别，就是没有单独的候选框筛选阶段，而是直接回归目标的位置坐标和分类概率。常用的一阶段算法如下。 1. YOLO算法 2015年，R. 作为一阶段算法，YOLO的一个最大优点就是速度快，在VOC2007数据集上，mAP为63.4%，检测算法速度可以达到45fps；YOLO的加速版本mAP为52.7%，速度甚至可以达到惊人的155fps。
5.4K20编辑于 2022-01-20 - 来自专栏FPGA技术江湖
基于 FPGA 的压缩算法加速实现
基于 FPGA 的压缩算法加速实现 第一部分 设计概述 /Design Introduction 1.1设计目的 本设计中，计划实现对文件的压缩及解压，同时优化压缩中所涉及的信号处理和计算密集型功能，实现对其的加速处理 系统组成及功能说明 /System Construction & Function Description 2.1 系统的功能实现 本设计中，在pynq-z2 FPGA平台上使用Gzip对文件进行了压缩算法的加速实现 并具备一定的加速效果，相比纯arm进行压缩速度提高了1.6倍。Vivado硬件工程能够通过综合、应用、生成比特流。最后通过Jupyter Notebook在pynq z2平台上进行功能验证。 具体展示如图9，左侧是在hls仿真是产生的结果，右侧是通过jupyter notebook在pynq z2上进行调试的结果，两者是一致的，压缩功能能够正常运行。 图9 图10，图11中，hls正常进行仿真，首先通过压缩算法对txt文件或字符串进行压缩，接着进行解压操作，将解压后的代码与源代码进行比较，如果结果一致，则能够验证压缩算法本身功能的准确性。
55000编辑于 2025-07-08 - 来自专栏决策智能与机器学习
算法集锦（9）|自动驾驶|道路图像增强算法
因此，在训练自动驾驶算法时，需要一些特殊的图像增强处理。 为了更有效的训练汽车的CNN网络，本文提供了一个可模拟各种气候及环境的图像增强算法-Automold。该算法基于python的Numpy和OpenCV库开发，可以将图像转换至各种气候环境及季节。 Exception(err_snow_coeff) 6 else: 7 snow_coeff=random.uniform(0,1) 8 snow_coeff*=255/2 9 添加速度后，远处的景物依然保持清醒，而近处的景物则会变得模糊。 ? 添加速度 此外，还可以改变图片的风格，以模拟不同的季节，下图是秋天的效果。通过改变叶子的颜色来实现秋天的风格。 ? 添加季节 Automold库提供了一种便捷的方式，可以对图像随机添加增强效果，而不需要繁琐的去指定增强类型，使得该算法可以很好的嵌入到自动驾驶的CNN网络训练中。
1.6K30发布于 2020-08-04 - 来自专栏react源码分析
react源码解析9.diff算法
在render阶段更新Fiber节点时，我们会调用reconcileChildFibers对比current Fiber和jsx对象构建workInProgress Fiber，这里current Fiber是指当前dom对应的fiber树，jsx是class组件render方法或者函数组件的返回值。
25650编辑于 2022-12-14 - 来自专栏灵魂画师牧码
画解算法：9. 回文数
点击「阅读原文」在PC端评论打卡后台回复「算法」，加入天天算法群觉得算法直击灵魂，欢迎点击在看和转发
80910发布于 2019-06-27 - 来自专栏CSDN搜“看，未来”
【C++】算法集锦（9）：背包问题
max(d[i-1][w-wt[i-1]]+var[i],dp[i-1][w]); } } return dp[N][W]; } ---- 子集背包问题 给你一个只包含正整数的数组，设计一个算法
93010发布于 2021-09-18 - 来自专栏C/C++学习
【优选算法题练习】day9
{ if(lsum[i] == rsum[i]) return i; } return -1; } }; 4.运行结果 总结 今天是算法练习的第 9天，继续加油。
22310编辑于 2023-10-15 - 来自专栏帆说区块链
【共识算法（9）】-改进BFT-“hotstuff”
由于该算法属于部分异步共识算法，所以为基于主节点的BFT，部分异步中，需要领袖，安全性、一致性才能有所保障。 从该算法中提出来了一个quorum的共识协议范式：“Quorum证书”。主要提高的两个线性复杂度和响应度。对于Quorum Certificate(简称为QC)。
1.1K10编辑于 2022-08-30 - 来自专栏用户8771298的专栏
react源码解析9.diff算法
react源码解析9.diff算法 视频讲解（高效学习）：进入学习 往期文章： 1.开篇介绍和面试题 2.react的设计理念 3.react源码架构 4.源码目录结构和调试 5.jsx&核心api 6 .legacy和concurrent模式入口函数 7.Fiber架构 8.render阶段 9.diff算法 10.commit阶段 11.生命周期 12.状态更新流程 13.hooks源码 14.手写
35030编辑于 2021-12-02 - 来自专栏AI那点小事
算法提高 9-2 文本加密
问题描述 先编写函数EncryptChar,按照下述规则将给定的字符c转化（加密）为新的字符：”A”转化”B”，”B”转化为”C”，… …”Z”转化为”a”，”a”转化为”b”,… …, “z”转化为”A”，其它字符不加密。编写程序，加密给定字符串。 样例输出 与上面的样例输入对应的输出。 例：
52940发布于 2020-04-20
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号