📚 محتوای این محصول آموزشی (پکیج کامل)
💡 این محصول یک نسخهٔ کامل و جامع است
تمامی محتوای آموزشی این کتاب در قالب یک بستهی کامل و یکپارچه ارائه میشود و شامل تمام نسخهها و فایلهای موردنیاز برای یادگیری است.
🎁 محتویات کامل بسته دانلودی
- اصل مقاله انگلیسی
- کتاب صدها نکته فارسی (خودمونی) – نسخه PDF — زبان ساده و کاربردی
برای مشاهده نمونه ای از فرمت نسخه نکات ساده کتاب های ما اینجا را کلیک کنید. کتاب دریافتی شما نیز در موضوع خود به همین سبک خواهد بود. دقت کنید تعداد صفحات کتاب در اینجا فقط 10 صفحه برای نمونه بوده است و کتاب اصلی شما طبق سرفصل های گفته شده کتابی جامع خواهد بود. - کتاب صدها نکته رسمی فارسی – نسخه PDF — نگارش استاندارد، علمی و مناسب چاپ
برای مشاهده نمونه ای از فرمت نسخه نکته رسمی کتاب های ما اینجا را کلیک کنید. کتاب دریافتی شما نیز در موضوع خود به همین سبک خواهد بود. دقت کنید تعداد صفحات کتاب در اینجا فقط 10 صفحه برای نمونه بوده است و کتاب اصلی شما طبق سرفصل های گفته شده کتابی جامع خواهد بود. -
کتاب صدها پرسش و پاسخ تشریحی – نسخه PDF
— هر سؤال بلافاصله همراه با پاسخ کامل و شفاف ارائه شده است؛ مناسب درک عمیق مفاهیم و رفع ابهام.
برای مشاهده نمونه ای از فرمت نسخه پرسش و پاسخ کتاب های ما اینجا را کلیک کنید. کتاب دریافتی شما نیز در موضوع خود به همین سبک خواهد بود. دقت کنید تعداد صفحات کتاب در اینجا فقط 10 صفحه برای نمونه بوده است و کتاب اصلی شما طبق سرفصل های گفته شده کتابی جامع خواهد بود. -
کتاب صدها پرسش و پاسخ چهارگزینهای – نسخه PDF (نسخه یادگیری سریع)
— پاسخها بلافاصله پس از سؤال قرار دارند؛ مناسب یادگیری سریع و تثبیت مطالب.
برای مشاهده نمونه ای از فرمت نسخه کوییز چهارگزینه ای با پاسخ کتاب های ما اینجا را کلیک کنید. کتاب دریافتی شما نیز در موضوع خود به همین سبک خواهد بود. دقت کنید تعداد صفحات کتاب در اینجا فقط 10 صفحه برای نمونه بوده است و کتاب اصلی شما طبق سرفصل های گفته شده کتابی جامع خواهد بود. -
کتاب صدها پرسش و پاسخ چهارگزینهای – نسخه PDF (نسخه خودآزمایی پایانبخش)
— پاسخها در انتهای هر بخش آمدهاند؛ مناسب آزمون واقعی و سنجش میزان یادگیری.
برای مشاهده نمونه ای از فرمت نسخه کوییز چهارگزینه ای با پاسخ های انتهای فصل کتاب های ما اینجا را کلیک کنید. کتاب دریافتی شما نیز در موضوع خود به همین سبک خواهد بود. دقت کنید تعداد صفحات کتاب در اینجا فقط 10 صفحه برای نمونه بوده است و کتاب اصلی شما طبق سرفصل های گفته شده کتابی جامع خواهد بود.
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتابها، تمرینها و خودآزمایی .
ℹ️ نکات مهم هنگام خرید
- این محصول به صورت فایل دانلودی کامل ارائه میشود و نسخهٔ چاپی ندارد.
- توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
- دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
- برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
- اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی:
واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248
تلگرام: @ma_limbs
FaSST: تبدیل ثانویه سریع پراکندهساز
FaSST: Fast Sparsifying Secondary Transform
نویسندگان: Darukeesan Pakiyarajah, Samuel Fernández-Menduiña, Eduardo Pavez, Antonio Ortega, Debargha Mukherjee
شناسه منبع: arxiv / 2605.15086v1
دسته: eess.IV,eess.SP
چکیده (فارسی)
تبدیلات ثانویه وابسته به داده، که هدفشان از همبستگی زدایی ضرایب تبدیل اولیه جداپذیر است، میتوانند کارایی کدگذاری باقیمانده را بهبود بخشند؛ با این حال، پیادهسازی آنها اغلب با پیچیدگی محاسباتی محدود میشود. کدکهای ویدیویی اخیر از انواع تبدیل غیرجداپذیر فرکانس پایین (LFNST) استفاده میکنند که برخی ضرایب تبدیل ثانویه فرکانس بالا را حذف میکند و سود کدگذاری قابل دستیابی را محدود میسازد. علاوه بر این، تبدیلات ثانویه موجود وابسته به داده، فاقد معیارهای طراحی بهینه نرخ-اعوجاج (RD) صریح هستند. در این کار، ما چارچوبی برای طراحی تبدیلات ثانویه کمپیچیدگی وابسته به داده، موسوم به تبدیلات ثانویه سریع پراکنده کننده (FaSSTs) ارائه میدهیم. رویکرد ما، تبدیلات ارتودرمال پراکنده دادهمحور (SOTs) را با تجزیه آنها به دنبالهای از دورانهای گیونز تقریب میزند. دورانها با استفاده از استراتژی حداقلسازی متناوب همراه با رویهای تقریبی برای تجزیه گیونز به طور کارآمد تعیین میشوند. روش ما تعداد دورانها را بر اساس حالت پیشبینی تطبیق میدهد و پیچیدگی محاسباتی را بیشتر کاهش میدهد. ما تبدیلات ثانویه وابسته به حالت را برای باقیماندههای پیشبینی درونحال (intra-prediction) در AV2 با استفاده از FaSST طراحی میکنیم. نتایج تجربی نشان میدهد که FaSST تطبیقپذیر با حالت، عملکرد RD را با LFNST مطابقت میدهد و در عین حال تعداد محاسبات را ۸۳.۶۷% کاهش میدهد. علاوه بر این، با اجتناب از قطع ضرایب ثابت، FaSST تا ۱.۸۰% صرفهجویی در نرخ BD را نسبت به LFNST در حالی که با ۶۶.۲۴% پیچیدگی کمتر عمل میکند، به دست میآورد.
Abstract (English)
Data-dependent secondary transforms, which aim to decorrelate coefficients of a separable primary transform, can improve residual coding efficiency; however, their deployment is often constrained by computational complexity. Recent video codecs use variants of the low-frequency non-separable transform (LFNST), which discards some high-frequency secondary transform coefficients, limiting achievable coding gains. Moreover, existing data-dependent secondary transforms lack explicit rate-distortion (RD) optimal design criteria. In this work, we propose a framework for designing low-complexity data-dependent secondary transforms, termed Fast Sparsifying Secondary Transforms (FaSSTs). Our approach approximates data-driven sparse orthonormal transforms (SOTs) by factorizing them into a sequence of Givens rotations. The rotations are efficiently determined using an alternating minimization strategy combined with an approximate Givens factorization procedure. Our method adapts the number of rotations based on the prediction mode, further reducing computational complexity. We design mode-dependent secondary transforms for intra-prediction residuals in AV2 using FaSST. Experimental results show that mode-adaptive FaSST matches the RD performance of LFNST while reducing the number of computations by 83.67%. Moreover, by avoiding fixed-coefficient truncation, FaSST achieves up to 1.80% BD-rate savings relative to LFNST while operating at 66.24% lower complexity.
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.