1. 本选题研究的目的及意义
随着高清视频和超高清视频的快速发展，视频数据量呈现爆炸式增长，对视频编码技术提出了更高的要求。
高效视频编码（HighEfficiencyVideoCoding，HEVC）作为新一代视频编码标准，凭借其更高的压缩效率得到了广泛应用。
然而，HEVC编码标准的复杂度较高，尤其是量化参数(QuantizationParameter,QP)的选择对编码效率和视频质量至关重要。
2. 本选题国内外研究状况综述
HEVC量化参数决策一直是视频编码领域的研究热点，国内外学者对此进行了大量的研究，并取得了一系列成果。
1. 国内研究现状
国内学者在HEVC量化参数决策方面开展了大量研究工作，并取得了一定的进展。
3. 本选题研究的主要内容及写作提纲
本选题旨在研究一种基于卷积神经网络的HEVC量化参数快速决策方法，主要内容包括：
1.分析HEVC编码标准中的量化参数，研究其对编码效率和视频质量的影响。
2.研究卷积神经网络的基本原理和模型结构，探讨其在HEVC量化参数决策中的适用性。
3.设计一种基于卷积神经网络的HEVC量化参数快速决策方法，包括网络模型设计、训练数据构建、模型训练和优化等关键环节。
4. 研究的方法与步骤
本研究将采用以下方法和步骤：
1.文献调研:对HEVC编码标准、量化参数决策方法、卷积神经网络等相关领域的文献进行深入调研，了解国内外研究现状，掌握相关理论和技术基础。
2.数据集构建:收集并整理大量不同类型、不同分辨率的视频序列，并进行相应的预处理，构建用于模型训练和测试的数据集。
3.模型设计:设计一种基于卷积神经网络的HEVC量化参数快速决策模型，该模型能够有效地提取视频内容特征，并预测最优的量化参数。
5. 研究的创新点
本研究的创新点在于：
1.提出了一种基于卷积神经网络的HEVC量化参数快速决策方法，实现了对QP的快速、准确预测，有效提高了编码效率，降低了编码复杂度。
2.设计了一种新颖的卷积神经网络模型结构，该模型能够充分提取视频内容特征，并具有良好的泛化能力。
3.构建了一个大规模、高质量的视频数据集，为模型训练和测试提供了数据保障。
6. 计划与进度安排
第一阶段 （2024.12~2024.1）确认选题，了解毕业论文的相关步骤。
第二阶段（2024.1~2024.2）查询阅读相关文献，列出提纲
第三阶段（2024.2~2024.3）查询资料，学习相关论文
7. 参考文献（20个中文5个英文）
[1] 李 巍，何 芸，王 健，等. 基于深度学习的HEVC视频编码快速决策算法[J]. 电子与信息学报，2019, 41(5): 1121-1128.
[2] 李洋洋，张 涛，刘 洋，等. 基于卷积神经网络的HEVC帧级码率控制算法[J]. 光电子·激光，2020, 31(4): 443-450.
[3] 赵 亮，李 雷，王 健，等. 基于时空特征融合的HEVC视频编码快速CU划分算法[J]. 通信学报，2021, 42(5): 140-150.
