Нейросетевые алгоритмы для решения задач кодирования изображений с использованием технологии CUDA тема диссертации и автореферата по ВАК РФ 05.13.17, кандидат технических наук Нгуен Виет Хунг

• Нгуен Виет Хунг
• кандидат технических наук
• 2012

Оглавление диссертации кандидат технических наук Нгуен Виет Хунг

ВВЕДЕНИЕ.

1. ОБЗОР МЕТОДОВ СЖАТИЯ ИЗОБРАЖЕНИЙ.

1.1 Методы сжатия статических изображений.

1.1.1 Постановка задачи сжатия изображений. Основные характеристики.

1.1.2 Методы сжатия без потери информации.

1.1.2.1 Метод группового кодирования (RLE).

1.1.2.2 Метод Хаффмана.

1.1.2.3 Адаптивные коды Хаффмана.

1.1.2.4 Алгоритм Лемпеля-Зива (LZ-compression).

1.1.2.5 Алгоритм Лемпеля-Зива-Велча (Lempel-Ziv-Welch -LZW).

1.1.2.6 Алгоритм Lossless JPEG.

1.1.3 Методы сжатия с потерями.

1.1.3.1 Алгоритм JPEG.

1.1.3.2 Алгоритм JPEG 2000.

1.2 Методы сжатия динамических изображений.

1.2.1 Обзор стандартов.

1.2.2 Описание общего алгоритма компрессии.

1.2.3 Задача компенсации движения.

1.3 Вывод по главе 1.

2. НЕЙРОСЕТЕВЫЕ АЛГОРИТМЫ В ЗАДАЧЕ СЖАТИЯ СТАТИЧЕСКИХ ИЗОБРАЖЕНИЙ.

2.1 Сжатие изображений с использованием многослойных нейронных сетей

2.1.2 Многослойные нейронные сети.

2.1.2 Многослойный нейросетевой алгоритм сжатия изображения.

2.1.3 Результаты экспериментов.

2.2 Сжатие изображений с использованием многослойных нейронных сетей: Адаптивный метод.

2.3 Алгоритм сжатия на основе самоорганизующейся сети Кохонена.

2.4 Сжатие изображений с использованием нейронной сети в преобразованном пространстве.

2.5 Вывод по главе 2.

3. ИССЛЕДОВАНИЕ И РАЗРАБОТКА АЛГОРИТМА КОМПЕНСАЦИИ ДВИЖЕНИЯ В ЗАДАЧЕ КОДИРОВАНИЯ ВИДЕОПОСЛЕДОВАТЕЛЬНОСТИ.

3.1 Алгоритм полного перебора.

3.1.2 Алгоритм трехшагового поиска.

3.1.3 Алгоритм нового трехшагового поиска.

3.1.4 Алгоритм простого и эффективного поиска.

3.1.5 Алгоритм четырехшагового поиска.

3.1.6 Алгоритм поиска по алмазу.

3.1.7 Алгоритм поиска по адаптивному шаблону - Adaptive Rood Pattern Search (ARPS).

3.2 Разработка алгоритма компенсации движения с использованием

- 91 нейронной сети.у

3.2.1 Обоснование необходимости разработки нового алгоритма.

3.2.2 Описание алгоритма.

3.2.2.1 Алгоритм векторного квантования.

3.3.2.2 Квантование с использованием сети Кохонена.

3.3.2.3 Построение множество кандидатов векторов движения.

3.3 Реализация алгоритмов и сравнение их эффективности.

3.4 Выводы по главе 3.

4. РЕАЛИЗАЦИЯ АЛГОРИТМОВ НА ГРАФИЧЕСКИХ ПРОЦЕССОРАХ NVIDIA.

4.1 Технология CUD А.

4.2 Реализация алгоритма сжатия статического изображения на графической карте с использованием технологией CUDA.

4.2.1 Обучение самоорганизующейся карты сжатия статического изображения с помощью технологии CUDA.

4.2.2 Реализация алгоритма сжатия изображения.

4.3 Реализация алгоритмов компенсации движения на графических процессорах с использованием технологии CUDA.

4.3.1 Описание подхода к реализации алгоритмов на CUDA.

4.3.2 Эксперименты и результаты реализации.

4.4 Выводы по главе 4.

Введение диссертации (часть автореферата) на тему «Нейросетевые алгоритмы для решения задач кодирования изображений с использованием технологии CUDA»

Актуальность темы:

В настоящее время пропускная способность каналов сетей передачи данных продолжает расти, и дает возможность передачи информации все быстрее и быстрее, однако актуальность проблемы сжатия изображений и видео при их передаче по проводным и беспроводным линиям связи (передача телевизионных изображений, передача изображений по линии Internet и др.) сохраняется. Действенным методом снижения технических требований к пропускной способности используемых каналов передачи данных, определяемой вероятностно-энергетическими характеристиками и скоростью передачи, является кодирование (сжатие) изображений и видеопоследовательностей при их передаче и декодирование в приемном устройстве. Появляются многие виды услуг, которые требуют передачи в реальном времени, например такие, как видеотелефония, мобильная и стационарная телеконференцсвязь, многопрограммное интерактивное телевидение, телевидение высокой четкости, многопрограммное звуковое вещание и др. Алгоритмы сжатия изображений и видеоданных постоянно совершенствуются, создаются новые стандарты.

Проблема сжатия изображений и видеопоследовательностей актуальна также при создании центров хранения, архивов и каталогов (баз данных) изображений и видеопоследовательностей в цифровом виде (медицинские изображения, космические изображения, получаемые при помощи датчиков дистанционного зондирования, фотоизображения и др.). Решение этой проблемы позволит уменьшить объем информации, хранимой на носителях.

Разработка алгоритмов цифрового сжатия различных видов информации для их передачи по каналам связи как альтернативы аналоговым системам проводится уже более 20 лет во всем в мире. Был получен ряд важных результатов в плане разработки алгоритмов сжатия, включая стандарты JPEG (JPEG-2000)[3-5][18-20][74-76], MPEG-1, MPEG-2,

MPEG-4, H.261, H.263, H.264 (AVC) (видео) [6][8][10][77-80] и др. для статических и динамических изображений различного разрешения.

К настоящему времени исследованы разные алгоритмы сжатия изображений. Самыми популярными в практике алгоритмами сжатия изображений являются алгоритмы поблочного кодирования с преобразованием, основанные на дискретных ортогональных преобразованиях. Среди алгоритмов с преобразованием фактическим стандартом являются алгоритмы Joint Photographic Experts Group - JPEG и JPEG2000. Однако эти алгоритмы имеют низкую скорость работы и сложны в аппаратной реализации. В последние годы в связи с широким распространением нейросетевых методов были разработаны нейросетевые алгоритмы сжатия изображений. Исследовались разные типы нейронных сетей как обучаемые с учителем, так и самообучаемые нейронные сети. Нейронные сети могут быть легко распараллелены, что позволяет сократить время вычисления и дает возможность сжимать изображения в реальном масштабе времени.

В современных стандартах сжатия видео процесс компенсации движения играет очень важную роль [11][27-28]. Использование алгоритмов компенсации движения при одинаковом качестве передаваемого изображения может увеличить степень сжатия информации. Эффективность и время выполнения процесса компенсации движения сильно зависит от алгоритмов поиска векторов движения. Однако поиск векторов движения является одним из наиболее вычислительно затратных этапов цифрового кодирования, требующего большого числа арифметических операций. В стандартах сжатия видео алгоритмы поиска векторов движения обычно не фиксированы и их можно свободно оптимизировать в рамках стандарта сжатия. Программа сжатия с эффективным алгоритмом поиска векторов движения может достигать значительного преимущества над другими программами, реализующими тот же стандарт сжатия. Поэтому разработка алгоритмов поиска векторов движения является актуальной задачей.

Целью диссертационной работы является разработка эффективных нейросетевых алгоритмов сжатия статических и динамических изображений, обеспечивающих повышение эффективности процесса кодирования с применением технологии CUDA на графических процессорах NVIDIA.

Для достижения поставленной цели были решены следующие задачи:

1. выполнен анализ существующих алгоритмов сжатия статических и видео изображений;

2. разработаны и исследованы нейросетевые алгоритмы сжатия изображения, которые также реализованы на графических процессорах NVIDIA;

3. выполнен анализ существующих алгоритмов поиска векторов движения;

4. разработан и реализован более эффективный по сравнению с аналогами алгоритм поиска векторов движения на графических процессорах NVIDIA;

5. проведены экспериментальные исследования разработанных алгоритмов на реальной информации. Научная новизна:

1. Предложен новый нейросетевой алгоритм для сжатия изображения на основе самоорганизующейся карты Кохонена в преобразованном пространстве.

2. Предложен алгоритм распараллеливания процесса обучения и эксплуатации сети Кохонена на графическом процессоре.

3. Предложен алгоритм поиска векторов движения, отличающийся от известных использованием нового нейросетевого подхода для построения набора кандидатов вектора движения.

4. Разработан подход к реализации на графических процессорах NVIDIA алгоритмов поиска вектора движения: предложенного алгоритма, алгоритма полного перебора и нового трехшагового алгоритма.

Практическая ценность:

1. Разработана программа реализующая процесс обучения сети Кохонена на CUDA. Программа помогает ускорить процесс обучения сети Кохонена в 9-10 раз по сравнению с CPU.

2. Разработан программный комплекс для сжатия изображений с использованием нейронной сети на CUDA.

3. Разработана программа для быстрого нахождения векторов движения на CUDA, которая может быть применена в программном комплексе реализующем стандарт сжатия видео.

4. Проведен комплекс экспериментальных исследований разработанных алгоритмов.

Основные положения, выносимые на защиту: На защиту выносятся следующие положения, разработанные и исследованные в данной работе:

1. Новый нейросетевой алгоритм сжатия статического изображения, использующего коэффициенты вейвлетного дискретного преобразования как входы самоорганизующейся карты Кохонена, что позволяет увеличить качество сжатого изображения при высоком коэффициенте сжатия.

2. Реализация процесса обучения сети Кохонена на CUDA, что позволяет увеличить скорость процесса обучения в 8-30 раз. Реализация алгоритма сжатия с использованием сети Кохонена на CUDA, что позволяет увеличить скорость сжатия, и дает возможность сжатия изображений в реальном масштабе времени.

3. Алгоритм поиска вектора движения с использованием нейронной сети для определения множества кандидатов, что позволяет уменьшить количество вычислений оценочной функции и увеличить степень компрессии.

4. Реализация предложенного алгоритма поиска вектора движения на CUD А, что позволяет увеличить скорость нахождения вектора движения.

5. Результаты экспериментальных исследований разработанных алгоритмов.

Апробация работы. Основные положения работы докладывались на следующих семинарах и конференциях:

1. Научно-практическая конференция «Вычисления с использованием графических процессоров в молекулярной биологии и биоинформатике» -Москва-2010.

2. IX Всероссийская конференция «Нейрокомпьютеры и их применение». Москва - 2011

3. 54-й научная конференция МФТИ «Проблемы фундаментальных и прикладных естественных и технических наук в современном информационном обществе» - Долгопрудный - 2011.

4. XIV Всероссийская научно-техническая конференция «Нейроинформатика-2012» - Москва - 2012

5. X Всероссийская конференция «Нейрокомпьютеры и их применение». Москва -2012.

Публикации. По теме диссертации автором опубликовано 9 работ [5967], из них 3 статьи в научно-технических журналах из перечня ВАК [62][63][67].

1. Аляутдинов М.А., Коробкова C.B., Нгуен Виет Хунг. Оптимальные пакеты программ обработки изображений для вычислительных систем на базе процессоров NVIDIA // Тезис докладов научно-практической конференции «Вычисления с использованием графических процессоров в молекулярной биологии и биоинформатике» - Москва 2010. - С. 22 - 23.

2. Нгуен Виет Хунг. Сжатие изображения с использованием нейронной сети в преобразованном пространстве. // Тезис докладов IX всероссийской конференции «Нейрокомпьютеры и их применение». Москва - 2011 - С.34

3. Нгуен Виет Хунг. Применение нейронных сетей для нахождения вектора движения в задаче кодирования видеопоследовательности со стандартом H.264/AVC// Труды 54-й научной конференции МФТИ «Проблемы фундаментальных и прикладных естественных и технических наук в современном информационном обществе» - Долгопрудный - 2011. -С. 40-41.

4. Нгуен Виет Хунг. Нейросетевой алгоритм для решения задачи компенсации движения в видеопоследовательностях со стандартом H264/AVC// Журнал «Информатизация и Связь». -№6, 2005. - С. 77 - 80.

5. Нгуен Виет Хунг. Сжатие изображения с использованием нейронной сети в преобразованном пространстве// Журнал «Нейросетевые технологии» в журнале «Информационные технологии» №1, 2012 - Стр. 76 - 78

6. Нгуен Виет Хунг. Применение нейросетевых методов слияния данных в задаче экстраполяции функций с аппаратной поддержкой вычислений // XIV всероссийская научно-техническая конференция «Нейроинформатика-2012», Сборник научных трудов, часть 2 - 2012 - С.82-91.

7. Нгуен Виет Хунг, Муравьев A.B. Реализация нейросетевого алгоритма компенсации движения в видео кодировании с использованием технологии NVIDIA CUDA // Тезис докладов X всероссийской конференции «Нейрокомпьютеры и их применение». Москва - 2012 - С.39.

8. Нгуен Виет Хунг. Сжатие изображения с использованием сети Кохонена при помощи технологии NVIDIA CUDA // Тезис докладов X всероссийской конференции «Нейрокомпьютеры и их применение». Москва - 2012 - С.40.

9. Нгуен Виет Хунг, Муравьев A.B. Применение нейросетевого алгоритма в задаче компенсации движения в видео кодировании при помощи технологии NVIDIA CUDA // Журнал «Нейросетевые технологии» в журнале «Информационные технологии» №5, 2012 - Стр. 74 - 78.

Благодарности

Автор выражает глубокую благодарность научному руководителю А.И. Галушкину за общее руководство, обучение и постоянную поддержку в осуществлении работы.

Также автор особенно признателен коллективу кафедры «Интеллектуальные информационные системы и технологии» ФГБОУ ВПО «Московский физико-технический институт (государственный университет)» Аведьяну Э.Д, Пантюхину Д.В, Воронкову И.М. и др. за ценные советы и рекомендации в работе над диссертацией.

1.

ОБЗОР МЕТОДОВ СЖАТИЯ ИЗОБРАЖЕНИЙ

Заключение диссертации по теме «Теоретические основы информатики», Нгуен Виет Хунг

Основные результаты диссертации состоят в следующем:

1. Проведен анализ эффективности основных нейросетевых алгоритмов сжатия изображений. По результатам экспериментов был сделан вывод о том, что в случаях, когда требуется большой высокий коэффициент сжатия, качество сжатых изображений при использовании нейронных сетей больше, чем при использовании самого популярного алгоритма JPEG.

2. Предложен новый нейросетевой алгоритм для сжатия изображений на основе самоорганизующейся карты Кохонена в преобразованном пространстве. Значение PSNR предложенного алгоритма выше, чем PSNR обычного алгоритма Кохонена, однако, при этом сложность алгоритма увеличивается.

3. Предложен алгоритм поиска векторов движения, отличающийся от известных использованием нового нейросетевого подхода построения набора кандидатов вектора движения. Проведен сравнительный анализ эффективности предложенного алгоритма и известных алгоритмов поиска векторов движения, для сжатия видеоданных. По результатам экспериментов был сделан вывод о том, что предложенный алгоритм продемонстрировал лучшие результаты PSNR и дал высокую возможность параллелизма при аппаратном ускорении, например на графических процессорах NVIDIA.

4. Предложен алгоритм распараллеливания процесса обучения и эксплуатации сети Кохонена на графических процессорах NVIDIA . Реализация процесса обучения сети Кохонена на CUDA позволяет увеличить скорость процесса в 8-30 раз, при изменении размера Кохонена от 16x16 до 64x64. Сжатие изображения нейронной сетью Кохонена на GPU превосходит по скорости CPU от десяти до сотни раз, в зависимости от размера исходного изображения.

5. Разработан подход к реализации на графических процессорах NVIDIA алгоритмов поиска вектора движения: предложенного алгоритма, алгоритма полного перебора и нового трехшагового алгоритма. Результаты экспериментов показывают, что время работы предложенного алгоритма на CUDA почти в 3 раза меньше, чем алгоритма полного перебора и меньше, чем алгоритма NTSS на 10-15%. Результаты показывают также, что время выполнения работы на CUDA гораздо меньше (в тысячи раз) чем на CPU.

ЗАКЛЮЧЕНИЕ

Список литературы диссертационного исследования кандидат технических наук Нгуен Виет Хунг, 2012 год

1. Ватолин Д., Ратушняк А., Смирнов М. Юкин В. Методы сжатия данных. Устройство архиваторов, сжатие изображений и видео// -М.- Диалог-МИФИ. -2003. 384 с.

2. Сэломон Д. Сжатие данных, изображений и звука// М. - Техносфера.- 2004.-368 с.

3. Гонсалес Р., Вудс Р. Цифровая обработка изображений.// Пер. с англ,-Москва.- Техносфера. 2006. -1072 с.

4. Wallace G. К. The JPEG still picture compression standard / / Communication of ACM. April 1991. Vol. 34, № 4.

5. D. Taubman and M. Marcellin, "JPEG2000: Standard for Interactive Imaging,"// Proc. of the IEEE, Vol. 90, No. 8, pp. 1336 1357, August 2002.

6. Ричардсон Я. Видеокодирование H.264 и MPEG-4 стандарты нового поколения.// - М. - Техносфера. - 2005. - 368 с.

7. Тропченко А.Ю., Курносенков И.Н. Анализ современных стандартов сжатия видеоданных// Научно-технический вестник СПбГУ ИТМО.- Вып. 32. СПб. - СПбГУ ИТМО. - 2006. - с. 17-21.

8. Le Gall D. J. The MPEG Video Compression Algorithm// Signal Processing:Image Communication. 1992. Vol. 4, № 2. P. 129- 140.

9. Wallach D. S., Kunapalli S., Cohen M.F. Accelerated MPEG compression of Dynamic poligonal scenes// ACM. Jun 1994.

10. Video codec for audio visual services at px64 Kbit/s. // CCITT Recommendation H.261.1990.

11. Richardson, Iain E. G The H.264 advanced video compression standard. //A John Wiley and Sons, Ltd., Publication. - 2010

12. Витерби А.Д., Омура Дж. Принципы цифровой связи и кодирования.// Пер. с англ. под ред. К.Ш.Зигангирова. Вып.18. М.:Радио и связь, 1982.

13. Thomas H. Cormen, Charles E. Leiserson, Ronald L. Rivest, and Clifford Stein. Introduction to Algorithms, Second Edition// MIT Press and McGraw-Hill, 2001.

14. Jeffrey scott vitter Design and analysis of dynamic huffman codes// Journal of the association for computing machinery, Vol. 34, No. 4, 1987, pp. 825845.

15. Jacob Ziv, Abraham Lempel. A Universal Algorithm for Sequential Data Compression// IEEE Transactions On Information Theory, Vol. It-23, No. 3, May 1977.

16. David Salomon Data Compression: The Complete Reference 4th Edition// Published by Springer (Dec 2006).

17. Дж. Миано Форматы и алгоритмы сжатия изображений в действии// Издательство «ТРИУМФ» - Москва - 2003

18. P. Schelkens, A. Skodras & Т. Ebrahimi The JPEG 2000 Suite// Wiley, Series: Wiley-IS&T Series in Imaging Science and Technology, 2009

19. David S. Taubman, Michael W. Marcellin JPEG2000: Image Compression Fundamentals, Standards and Practice// Kluwer Academic Publishers 2001

20. Farzad Ebrahimi, Matthieu Chamik, and Stefan Winkler JPEG vs. JPEG 2000: an objective comparison of image encoding quality// Proc. SPIE 5558, 300 (2004)

21. B.S. Manjunath, Philippe Salembier, and Thomas Sikora Introduction to MPEG-7: Multimedia Content Description Interface// Wiley & Sons, April 2002

22. A.H. Балухто, А.И. Галушкин, Д.В. Ковальчук, Л.Е. Назаров, Н.С. Томашевич «Нейрокомпьютеры в прикладных задачах обработки изображений»//Издательство «Радиотехника», Москва.2003.

23. Галушкин. А.И. Нейронные сети: основы теорию.// М.: Горячая линия - Телеком, 2010.

24. Головко В.А. Нейронные сети: обучение, организация и применение.// М.: ИПРЖР, 2001.

25. Хайкин С. Нейронные сети: полный курс, 2-е издание. Пер. с англ.// Издательский дом «Вильяме», 2006.

26. Круглов В .В., Дли. М.И, Голунов Р.Ю. Нечеткая логика и искусственные нейронные сети.// М.: Издательство Физико-математический литературы, 2001.

27. Френке Л. Теория сигналов./Пер. с англ. под ред. Д.Е.Вакмана.// М.:Сов.радио, 1974.

28. S. Anna Durai, and Е. Anna Saro Image Compression with Back-Propagation Neural Network using Cumulative Distribution Function// World Academy of Science, Engineering and Technology 17, 2006.

29. Hadi Veisi, Mansour Jamzad A Complexity-Based Approach in Image Compression using Neural Networks// International Journal of Signal Processing 5;2 © www.waset.org Spring 2009.

30. K. Venkata Ramanaiah, K. Lai Kishore, P. Gopal Reddy Power Efficient Multilayer Neural Network for Image Compression// Information Technology Journal 6(8) - p. 1252-1257 - 2007.

31. Omer Mahmoud, Farhat Anwar, Momoh Jimoh E. Salami Learning algorithm effect on multilayer feed forward artificial neural network performance in image coding// Journal of Engineering Science and Technology Vol. 2, No. 2, p. 188 - 199, 2007.

32. Kohonen T. Self-Organizing Maps. Third, extended edition// Springer2001

33. Laaksonen, J. and Honkela, T. (eds.) Advances in Self-Organizing Maps, WSOM 2011// Springer, Berlin, 2011.

34. G.Burel and al. "Vector Quantisation of Images"// Revue Technique Thomson-CSF, 1991 vol.23, № 1, 137-159.

35. Pankaj N. Topiwala. Wavelet Image and Video Compression// Kluwer academic publishers - 1998.

36. Зубарев Ю.Б., Дворкович В.П., Нечепаев B.B., Соколов А.Ю. Методы анализа и компенсации движения в динамических изображениях// Электросвязь, №11, 1998, С. 15-21.

37. Dzung Т.Н., Philip M.L., Jeffrey S.V. Efficient Cost Measures for Motion Estimation at Low Bit Rates // IEEE Transactions on Circuits and Systems for Video Technology. 1998. - V. 8. - № 4. - P. 488-500.

38. Денис Кубасов, Дмитрий Ватолин. Обзор методов компенсации движения.// Компьютерная графика и мультимедиа. Выпуск №3(2)/2005.

39. Yih-Chuan Lin and Shen-Chuan Tai Fast Full-Search Block-Matching Algorithm for Motion-Compensated Video Compression // IEEE transactions on comunications, VOL. 45, NO. 5, MAY 1997

40. Xuan Jing; Lap-Pui Chau An efficient three-step search algorithm for block motion estimation// IEEE Transactions on Multimedia Volume: 6 Issue:3

41. Reoxiang Li, Bing Zeng Liou, M.L. A new three-step search algorithm for block motion estimation - IEEE Transactions on Circuits and Systems for Video// Technology Volume 4 Issue 4 - Aug 1994

42. Jianhua Lu, Ming L. Liou, "A Simple and Efficent Search Algorithm for Block-Matching Motion Estimation"// IEEE Trans. Circuits And Systems For Video Technology, vol 7, no. 2, pp. 429-433, April 1997

43. Lai-Man Po, and Wing-Chung Ma, "A Novel Four-Step Search Algorithm for Fast Block Motion Estimation"// IEEE Trans. Circuits And Systems For Video Technology, vol 6, no. 3, pp. 313-317, June 1996.

44. Zhu S., Ma K.K. A new diamond search algorithm for fast block matching motion estimation // Proc. of Int. Conf. Information, Communications and Signal Processing. 1997. - V. 1. - P. 292-298.

45. Yao Nie, and Kai-Kuang Ma, "Adaptive Rood Pattern Search for Fast Block-Matching Motion Estimation"// IEEE Trans. Image Processing, vol 11, no. 12, pp. 1442-1448, December 2002

46. C.-W. Ho, et al. Motion Estimation for H.264/AVC Using Programmable Graphics Hardware// Proc. IEEE Int'l Conf. on Multimedia and Expo, July 2006, pp. 2049-2052.

47. C.-Y. Lee, et al.- Multi-Pass and Frame Parallel Algorithm of Motion Estimation in H.264/AVC for Generic GPU // Proc. IEEE Int'l Conf. on Multimedia and Expo, July 2007, pp. 1603-1606.

48. W. Chen, H. Hang H.264/AVC motion estimation implementation on Compute Unified Device Architecture(CUDA) - Multimedia and Expo// 2008 IEEE International Conference on, pp.697-700, April - 2008

49. M. Schwalb, R. Ewerth, and B. Freisleben Fast Motion Estimation on Graphics Hardware for H.264 Video Encoding // IEEE Transactions On Multimedia, vol. 11. no. 1. Jan. 2009

50. Боресков A.B., Хармалов A.A. Основы работы с технологией CUD А// Москва. ДМК Пресс, 2011.

51. Jasons Anders , Edward Kandrot CUD A by Example: An Introduction to General-Purpose GPU Programming// Addison-Wesley, 2010.

52. David B. Kirk, Wen-mei, W. Hwu Programming Massively Parallel Processors: A Hands-on Approach. "Morgan Kaufmann"// Publishers, 2010.

53. CUD A Technical Training, Volume I: Introduction to CUD A Programming Prepared and Provided by NVIDIA 2011

54. CUDA Technical Training, Volume II: CUDA Case Studies Prepared and Provided by NVIDIA 2011

55. Mark Harris Parallel Prefix Sum (Scan) with CUDA// NVIDIA Corporation 2008.58. http://www.nvidia.com/obiect/product geforce 310m us.html

56. Нгуен Виет Хунг. Сжатие изображения с использованием нейронной сети в преобразованном пространстве. // Тезис докладов IX всероссийской конференции «Нейрокомпьютеры и их применение». Москва 2011 -С.34

57. Нгуен Виет Хунг. Нейросетевой алгоритм для решения задачи компенсации движения в видеопоследовательностях со стандартом H264/AVC// Журнал «Информатизация и Связь». -№6, 2005. С. 77 -80.

58. Нгуен Виет Хунг. Сжатие изображения с использованием нейронной сети в преобразованном пространстве// Журнал «Нейросетевые технологии» в журнале «Информационные технологии» №1, 2012 -Стр. 76 78

59. Нгуен Виет Хунг, Муравьев А.В. Реализация нейросетевого алгоритма компенсации движения в видео кодировании с использованием технологии NVIDIA CUDA // Тезис докладов X всероссийской конференции «Нейрокомпьютеры и их применение». Москва — 2012 — С.39.

60. Нгуен Виет Хунг. Сжатие изображения с использованием сети Кохонена при помощи технологии NVIDIA CUDA // Тезис докладов X всероссийской конференции «Нейрокомпьютеры и их применение». Москва-2012-С.40.

61. Нгуен Виет Хунг, Муравьев А.В. Применение нейросетевого алгоритма в задаче компенсации движения в видео кодировании при помощи технологии NVIDIA CUDA // Журнал «Нейросетевые технологии» в журнале «Информационные технологии» №5, 2012 Стр. 74 - 78.

62. Website "General-Purpose Computation on Graphics Hardware" -http://www. gpgpu.org/

63. Robert D. Dony, Simon Haykin. Neural Network Approaches to Image Compression// in proceedings of the IEEE, vol. 83, no. 2, February 1995

64. Adnan Khashman, Kamil Dimililer. Image Compression using Neural Networks and Haar Wavelet// WSEAS Transactions On Signal Processing Issue 5 Vol 4 - 2008.

65. S. Anna Durai, and E. Anna Saro. Image Compression with Back-Propagation Neural Network using Cumulative Distribution Function// Proceeding Of World Academy Of Science, Engineering And Technology Volume 17 December 2006.

66. M. Egmont-Petersen, D. de Ridder, H. Handels. Image processing with neural networks—a review// Journal Pattern Recognition 35 (2002) 22792301.

67. Liying Ma and K. Khorasani. Application of Adaptive Constructive Neural Networks to Image Compression// IEEE Transactions On Neural Networks, Vol. 13, No. 5, September 2002.

68. ISO/IEC JTC 1/SC 29 (2009-11-09). "MPEG-2 (Generic coding of moving pictures and associated audio information)". Retrieved 2009-11-10.

69. ISO/IEC 11172-2: Information technology Coding of moving pictures and associated audio for digital storage media at up to about 1,5 Mbit/s - Part 2: Video.-1993.