论文翻译4-Public Review for Higher Quality Live Streaming under

题目：较低上行带宽下的更高质量直播：一种基于超分辨率的视频编码方法

首页评论：

视频流占 60% 以上，因此占当今互联网流量的大部分。预计这个数字在不久的将来会增长，直播服务对工业界和学术界都变得越来越重要。实时流媒体基本上包括两个方面：（i）实时摄取（即供应）和（ii）实时访问（即消费）。本文通过提出基于实时超分辨率的视频编码 (LiveSRVC) 来解决前一个方面，这是一种在有限上行链路带宽下的视频上传（即摄取）框架。该论文的贡献是双重的，即（a）基于超分辨率的关键帧压缩模块和（b）相应的比特率自适应算法。前者假设在解码摄取流时可用的超分辨率技术（例如，在云中）对关键帧应用更高的压缩比。后者考虑到动态变化的上行带宽，选择比特率和关键帧压缩比，也根据云计算能力。在接收端，应用超分辨率恢复下采样的关键帧，包括在线超分辨率模型训练。

系统架构包括（i）视频编码模块，（ii）在线超分辨率模型训练，以及（iii）实时比特率适配模块。 LiveSRVC 使用高级视频编码 (AVC) 进行评估，尽管它已经很老了，但它仍然是最常用的视频编解码器。特别是，ffmpeg 已被修改为以两种不同的分辨率（即 1080p 和 720p）对视频进行编码，而关键帧分别被下采样到 540p 和 360P。 Pytorch 框架在接收器端与两个 GeForce RTX 2080Ti GPU 一起使用，一个用于推理，另一个用于在线训练。这些实验是通过使用 4G 上行链路轨迹数据集的网络仿真进行的，结果表明 (a) 视频质量提高了 10%-50% 或 (b) 与之前相比，所需带宽减少了多达 50%。分别是基线方法和相关工作（即 LiveNAS）。正如开头提到的，直播服务越来越受欢迎，因此，需要加强研究工作以实现高质量的体验 (QoE)。本文为实时流媒体的摄取方面提供了一个彻底设计的解决方案，特别是在有限的上行链路带宽下。未来的工作可能会将 LiveSRVC 与第二个方面，即访问和消费方面结合起来。

Christian Timmerrer 撰写的公开评论
克里斯蒂安多普勒实验室
ATHENA，Alpen-Adria-Universit¨at Klagenfurt，
奥地利

摘要

随着实时流媒体的日益普及，在上行带宽有限的情况下，高视频质量和低延迟已成为一个重大挑战。在这项研究中，我们提出了基于实时超分辨率视频编码（LiveSRVC），这是一种新颖的视频上传框架，可在有限的上行链路带宽下以低延迟提高实时流媒体的质量。我们设计了一个新的基于超分辨率的关键帧编码模块来提高编码压缩效率。 LiveSRVC 动态选择关键帧的码率和压缩比，减轻上行带宽容量对直播质量的影响。跟踪驱动的仿真验证了 LiveSRVC 可以提供相同的质量，同时与原始编码方法 (H.264) 相比减少多达 50% 的所需带宽。与使用超分辨率重建所有帧的方法相比，LiveSRVC 消耗的 GPU 占用时间至少减少 10 倍。

CCS 概念 ：• 信息系统→多媒体流； • 网络→ 网络资源分配。

关键词：视频传输、直播、超分辨率、视频编码

1 INTRODUCTION

YouTube Live 等直播平台，每天吸引数百万活跃用户 [10, 21]，使得直播占据了互联网视频的巨大流量。一系列研究 [5, 16] 表明，视频质量不足和高延迟会损害用户体验质量。因此，内容提供商必须提高视频质量并尽量减少收入延迟。然而，大多数内容提供商都在努力以有限的上行链路带宽提供高质量和低延迟的实时流媒体。不足的上行带宽限制了低延迟的高质量实时视频流的传输。 4G网络中上下行带宽的差异高达十倍[24]。为了有效地传输 1080P 高清在线流，所需的带宽至少为 6 Mbit/s [4]，但商业直播服务器的平均上行传输速率小于 1 Mbit/s [25]。

尽管已经做出了重大努力来提高直播流的质量，例如内容交付网络 (CDN) 调度 [29] 和自适应比特率算法 [8, 26]，但如果在传输期间上行链路带宽有限，则专注于下行链路的方法仍然会受到影响。从广播公司到云端的传输。最近，基于深度神经网络 (DNN) 的超分辨率 (SR) 已被用于视频传输以解决带宽不足的问题 [14]。与传统的上采样方法（即双三次）相比，基于 DNN 的超分辨率技术实现了出色的图像恢复性能。 BIPP [20] 在视频压缩模型中集成了基于 DNN 的超分辨率，通过压缩和重建视频中的非关键帧来实现更高的视频压缩率。 LiveNAS [14] 上传低分辨率视频，并利用基于 DNN 的超分辨率重建云端所有帧，提高直播视频质量。然而，超分辨率的长解码时间使得直播视频传输难以满足严格的延迟要求，导致直播流的高延迟。因此，如何在上行带宽不足的情况下提升直播的整体体验，避免视频质量和延迟之间的权衡仍处于探索阶段。

在本文中，我们提出了基于实时超分辨率视频编码（LiveSRVC），一种新颖的视频上传框架，以减少从广播公司到云服务器的上传延迟，并在有限的上行链路带宽下提高直播的整体质量。具体来说，我们设计了一种新颖的关键帧压缩编码模块，可实现最具成本效益的比率。关键帧被下采样到较低的比特率，从而减少上传延迟。与现有的重建所有帧的超分辨率方法相比，我们只需要在云服务器上重建关键帧即可保证计算效率。然后我们应用基于 DNN 的超分辨率来重建云服务器上的下采样关键帧。此外，对于包含 N 帧的一组图片（GOP）[23]，只需要对一个关键帧进行超分辨率上采样，与对所有帧进行上采样相比，只需要 1/N 的计算资源，减少了计算的消耗。资源显着。为了动态适应上行网络条件，应对云计算资源的异构性，LiveSRVC引入了实时码率自适应算法，相应地选择编码码率和关键帧的压缩比。使用LiveSRVC，即使在上行带宽有限的情况下，云服务器仍然可以从低码率的直播流中提供高质量的视频，有效地打破上行带宽与直播视频质量之间的强依赖性。

我们进行了广泛的跟踪驱动模拟来评估 LiveSRVC。结果表明，如果直播方法上传与 LiveSRVC 相同的质量，LiveSRVC 可以节省高达 50% 的所需带宽。与其他最先进的基于超分辨率的编码方法相比，我们评估了我们提出的关键帧编码模块。结果表明，我们的编码方法的压缩率平均高出 10%。与以超分辨率重建所有帧的方法相比，LiveS-RVC 节省了 10 倍以上的 GPU 占用时间。 LiveSRVC 始终如一地实现高视频质量，同时确保低延迟。总之，我们的贡献如下：

新颖的编码模块：我们提出了一种基于超分辨率的关键帧压缩模块，以适应恶劣网络条件下的直播流。该模块将高分辨率直播流的关键帧压缩到较低的比特率，从而有效地减小视频流的大小，从而减少上传延迟。此外，在云端只需要对关键帧进行升级，在实现良好视频质量的同时消耗更少的计算能力。
直播码率适配算法：为了配合新颖的编码模块，我们设计了直播码率适配算法，进一步提高了直播质量。该算法通过考虑上行带宽的动态以及云服务器计算能力来选择比特率和关键帧压缩比。

2 BACKGROUND AND RELATEDWORK

具有超分辨率的视频传输系统。超分辨率 (SR) 从低分辨率图像/视频中重建高分辨率图像/视频 [7, 9, 15]。传统的超分辨率方法，即双三次插值 [13]，快速简单，但精度低。随着深度神经网络（DNN）的发展，一些方法，即EDSR [19]，使用DNN来分析LR和相应HR之间的统计关系，实现了重建质量的显着提高。 NAS [27] 和 SRAVS [30] 在自适应视频流之上在客户端采用基于 DNN 的 SR 来减少视频点播的下载延迟，这要求终端设备计算能力强，能耗高。 LiveNAS [14] 在云服务器中采用 SR 进行视频直播，提供高质量的直播流但计算资源消耗高。现有的超分辨率方法对所有帧应用超分辨率，这是计算资源匮乏且耗时的。我们提出了仅对关键帧进行上采样的编码模块，以大大减少每个直播流超分辨率所需的 GPU 占用时间。

基于超分辨率的混合编码方案。许多研究侧重于开发一种基于 SR 的高效编码方法 [6, 17, 20]。 BIPP [20] 在编码端对非关键帧进行下采样，然后在解码端使用高清关键帧和超解非关键帧。Yue Li 等人 [17] 提出了一种用于帧内编码的基于 SR 的上采样方法。然而，上述方法都侧重于压缩效率的提高，而编码和解码的时间较长，没有考虑实际部署在视频传输系统中的延迟问题。我们的方法通过使用轻量级 SR 模型并仅处理关键帧来实现短视频处理时间的目标。

3 DESIGN

3.1 System overview

在本文中，我们提出了 LiveSRVC，这是一种新的视频上传框架，可减少从广播公司到云服务器的上传延迟，并在上行链路带宽稀缺的情况下提高直播质量。图1展示了LiveSRVC的概述，它由两部分组成：直播者和智能云。直播者：直播者使用我们的编码模块根据我们的直播比特率自适应算法决定的比特率选择和关键帧压缩率对原始帧进行编码。智能云：云服务器应用SR恢复上传视频流中降采样的关键帧，同时负责超分辨率模型在线训练。

3.2 Proposed video coding module

视频压缩是图像质量和比特率之间的权衡。原始帧序列被编码为关键帧 (KF) 和非关键帧 (NKF)。在 GOP 中，关键帧 (KF) 通过帧内编码进行压缩，非关键帧 (NKF) 通过帧间编码进行压缩 [23]。由于帧间编码的更大压缩，一个KF比NKF大得多。为了进一步降低传输比特率，我们不想以全分辨率传输关键帧。因此，我们设计了一种基于 SR 的新型视频编码模块，它将关键帧下采样到所需的较低分辨率，以进一步减小 GOP 的大小。我们的模块提高了压缩效率，并以较低的比特率保持高质量的视频。图 2 显示了所提出的视频编码模块的框架，它部署在直播端和智能云端。

在直播方，一系列原始帧被编码为所需的高分辨率，由我们的实时比特率自适应算法根据当前网络状况和我们的云计算资源状态确定。 KF 的下采样是所提出的编码模块的关键步骤，它提高了编码视频流的压缩能力。首先，从编码视频流的 GOP 中提取高分辨率 KFH。其次，KFH 被下采样到较低的分辨率，产生 KFL，下采样比例由实时比特率自适应算法决定。我们不会对非关键帧进行下采样以保留其高分辨率 GOP 的空间和时间特征。最后，我们使用编码的 KFL 替换编码流中的 KPH。

在服务器端，我们接收带有 KFL 和 NKFH 的视频序列。首先，我们提取和解码关键帧，不处理非关键帧，因为它们已经达到了所需的分辨率。然后，我们将 KPL 上采样到它们的原始分辨率，并通过 SR 恢复由下采样导致的 KFL 丢失的细节。最后，我们用高分辨率的 KPH 替换直播流中的 KPL。此时，我们拥有所需高分辨率的关键帧和非关键帧，整个过程对观众透明，播放器无需任何修改即可解码获取高分辨率视频。

低延迟和高质量的视频是直播中最重要的因素。为了满足实时传输要求，我们采用了著名的轻量级 SR 模型 CARN [3]。在直播中传统的视频编码过程之上，虽然我们的编码模块引入了视频的附加过程，但结果过程延迟极低。表1显示了基于SR编码的一秒视频块（GOP=24）的平均额外时间消耗，包括直播方端和智能云端的过程。列索引 360P-720P 表示在直播方端将 720P 关键帧压缩为 360P，在智能云侧将360P关键帧超分为原始的 720P。其他两列遵循相同的定义。在直播方，我们使用一台普通的 PC 和一个 CPU（Intel Core i7)进行关键帧压缩，在云服务器上，我们使用 2080Ti GPU 进行超分辨率。我们基于SR的编码模块可以灵活地压缩关键帧和非关键帧。图 3 说明了使用我们基于 SR 的编码模块将 1080P 压缩到 360P 时三种不同视频类型的压缩率。压缩比是指压缩关键帧后的视频块大小与原始视频块大小的比值。 KF 表示我们只压缩视频流的关键帧。 KF 4NKF 和 KF 8NKF 表示我们分别压缩了四个非关键帧和关键帧，以及八个非关键帧和关键帧。整体视频压缩率中位数在 15% 到 52% 之间。我们为不同类型的视频实现了高压缩比，同时最大限度地减少了对直播延迟的影响。我们基于SR的编码方法可以灵活地压缩帧以动态适应网络变化。然而，非关键帧压缩涉及更长的超分辨率处理时间和更多的计算资源消耗，从而影响整体效率。因此，在本文中，我们只关注关键帧压缩，这是最划算的方法，因为我们需要联合考虑带宽消耗和计算资源消耗。

3.3 Online super-resolution model training

单一的超分辨率模型具有有限的能力，这导致不同类型视频的超分辨率输出差异很大。为了进一步提高超分辨率性能，我们可以通过实时训练为直播频道训练相应的特定 SR 模型。由于直播的特点，我们无法提前获取所有内容，直播中的场景切换随时可能发生。我们首先评估使用不同训练集对模型性能的影响：A 表示直播视频流开始时的高清视频块，B 表示场景切换后获得的块。我们比较了三种训练方式：A，我们只使用集合A进行训练； A+B，我们先使用集合A，检测到场景变化后，添加集合B； A+aB，类似于 A+B，但设置 B有更大的权重a被采样用于训练[14]。我们设置 a=0.7。图 4 说明了在线游戏的在线学习性能。如图4所示，随着训练epoch的增加，视频增强效果增强，后期训练增益趋于饱和。比较三条曲线，我们看到 A+aB 可以获得最高的 VMAF。因此，我们采用 A+aB 来保证超分辨率模型的增强效果。**云与直播端联合辅助在线模型训练：云服务器定期检查超分辨率模型增强的视频质量；直播端在编码期间检测场景变化。**当训练增益趋于饱和时，我们停止在线训练，场景切换后重新开始在线训练。

在线增量训练比使用离线预训练模型提供更好的视频增强效果。然而，每个通道的在线训练和推理都需要计算资源。由于计算资源有限，我们根据直播频道的受欢迎程度（即观看人数）将其分为三个不同的类别：热门频道、普通频道、冷频道。对于热点通道，云服务器实时训练特定的SR模型。对于普通频道，可以使用两种SR模型：由其他内容相似的热门频道训练的特定模型（SP-similar）和离线预训练模型。对于冷通道，不提供算力支持。图5为360P视频上采样比例x3的视频质量增强结果快照，每张图片的右下角为VMAF分数。使用预训练的模型，视频质量比 bicubic 有了显着提高。特定型号可实现最高视频质量。 SP类似模型的视频增强质量优于预训练模式.

3.4 Live bitrate adaptation algorithm

问题和目标。基于超分辨率的关键帧压缩在实时流媒体中不容易采用，因为我们需要确定实时视频所需的分辨率和合适的压缩比以产生高质量和低延迟。例如，在带宽有限的情况下，持续上传高比特率视频块可能会导致高延迟。相反，如果继续上传低码率的视频，虽然传输时间很短，但视频质量会下降。为了平衡多个传输质量因素，我们提出了一种实时码率自适应算法，根据上行带宽情况和云计算能力状态确定实时视频的编码码率和最佳下采样比例。考虑到感知视频质量特征，我们参考[11]中定义的QoE模型：

其中 N 是会话期间的块总数，R_n是第n_th个chunk的比特率，q(R_n)是用户感知的视频质量，[q(R_n+1) - q(R_n)]₊表示正视频平滑度，从低比特率切换到高比特率，[q(R_n+1) - q(R_n)]_- 是负视频平滑度。由于我们专注于改善上传延迟，我们只考虑上传延迟L_n, 包括从直播端上传视频到云服务器的传输时间和在云服务器上第n_th个chunk 的视频处理时间pt_n。α，β，和 λ分别是视频质量、延迟和质量变化的非负加权参数。除了考虑QoE，我们还需要考虑在线超分辨率模型训练的需求。如果我们总是以低码率对视频进行编码，云服务器将无法获得用于在线超分辨率模型训练的高分辨率帧。相反，如果始终传输高分辨率视频块，则会导致高延迟。因此，我们将优化目标表示为 QoE 的总和以及在线超分辨率模型训练带来的未来质量增益。

第一项QoE(v_n) 是给定视频块编码v_n的用户 QoE ，和第二项M_gain(v_n) 是云服务器通过周期性反馈提供的在线培训质量提升曲线的斜率，γ是预期质量增益的折现因子。pt_n表示通过云中的超分辨率估计块的总视频处理时间。给出上行带宽的容量C_t , 云服务器是否提供增量超分辨率模型训练train_n和视频质量提升服务enhance_n作为输入，优化产生以下输出：1）编码比特率R_n , 和 2) 关键帧下采样比例 scale_n. train_n和enhance_n是二进制变量。

方法。我们的实时比特率自适应算法修改了 MPC 算法 [28] 的优化目标和约束，使其适应基于超分辨率的编码，因为 MPC通过在约束下的动态系统中使用预测来优化一个复杂的在线控制目标。算法 1 显示了我们的实时比特率选择算法的伪代码。对于第n_th个chunk ，直播端保持从chunk n到n+K−1。我们在实验中设置 K = 5。它执行三个主要更新：如第2行所示，我们首先根据云服务器是否会在线训练当前频道的特定超分辨率模型train_n来确定目标函数 .然后对于每个块，第 4 行时基于使用 1D-CNN 的历史吞吐量估计t时刻的可用带宽C_t。根据云服务器是否为视频流增强分配了算力 enhance_n，我们决定可用的比特率设置Avail_set，这可以由直播者编码。如果云服务器提供了一定的算力即enhance_n = 1 ，则要执行恢复压缩关键帧的任务，直播者可以采用基于超分辨率的编码方法将视频流压缩为 R_n∈ R ∪R_compressed，其中R 是为原始编码设置的比特率和R_compressed表示关键帧压缩后设置的比特率。如果enhance_n = 0，它只能将视频编码为R_n∈ R 。然后我们根据MPC算法估计的上行带宽选择比特率和关键帧压缩比。

4 EVALUATION

4.1 Methodology

**实现。**我们通过修改 FFmpeg [1] 中的 remuxing.c、decode_video.c 和 encode_video.c 来实现我们的视频编码模块。每个直播流被分成一个一秒的视频块（GOP=24）。 HR 块由 H.264 编解码器以 {2560, 4800} kps w.r.t {720P, 1080P} 的比特率进行编码。关键帧可以分别从 1080p 降采样到 360p/540p 和从 720P 降采样到 360p。我们在 Pytorch 框架中实现智能云，并在智能云上使用两块 GeForce RTX 2080Ti GPU，一块用于推理，另一块用于训练。我们使用基准 DIV2K 数据集 [2] 来训练离线预训练模型。我们使用相关模型的权重初始化我们的特定模型以进行训练。

**评估设置。**我们从 YouTube 中选择了三种不同的流类别（实时新闻、聊天和游戏）。为了模拟在现实网络中直播者和智能云之间的动态变化，我们使用 Linux 流量控制工具 [12] 来模拟 100 个 4G 网络上行链路跟踪 [22]。更具体地说，我们选择平均上行链路带宽低于 2.5Mbps 的网络跟踪来模拟带宽受限的环境。我们通过将其与两种基线方法进行比较来评估所提出的 LiveSRVC 在各个方面的性能：

原始方式：直播者根据上行带宽上传H264编解码器编码的视频，云服务器不做视频增强处理。
LiveNAS：直播者发送低分辨率视频流，云服务器SR[14]中使用的低分辨率流的所有帧。

QoE 参数。在我们的实验中，该 QoE 标准中视频质量和质量变化的权重设置为 α= 0.8, β = 5, λ= 0.2 和 σ=1.06。训练增益的权重γ= 0.8。我们使用 VMAF [18] 来衡量我们工作的感知视频质量q(R_n)。

4.2 Results and discussion

4.2.1 编码方法的比较。

本节与 BIPP [20] 相比，评估了我们提出的关键帧压缩编码方法。对于我们的视频编码模块，我们使用相同的组合（720-360-key、1080-360-key、1080-540-key）压缩关键帧。 BIPP 将非关键帧从 720p 压缩到 360p（720-360-nonkey），从 1080p 压缩到 360p 和 540p（1080-360-nonkey 和 1080-540-nonkey）。我们评估压缩率、超分辨率处理时间和输出质量。表 2 显示两种方法对每种组合都实现了相同的视频质量。尽管视频块中非关键帧的数量多于关键帧，但我们编码模块的压缩率平均比 BIPP 高 10%。我们的编码模块的处理时间至少比 BIPP 少 20 倍，这表明我们的编码模块比 BIPP 更高效。

4.2.2 与原方法的比较。

为了验证 LiveSRVC 减少的带宽消耗，我们评估了 LiveSRVC 的带宽使用情况，该带宽使用情况标准化为在提供相同质量时原始直播流的带宽使用情况。 360P-720P表示使用超分辨率模型将关键帧从360P重构为720P。如图 6 所示，LiveSRVC 通过将关键帧分别从 720P 压缩到 360P、从 1080P 压缩到 360P 和从 1080P 压缩到 540P，实现了与原始方法相似的质量，仅使用所需带宽的 40%、70% 和 68% .

4.2.3 直播系统对比。

我们通过将 LiveSRVC 与 LiveNAS 进行比较来评估 LiveSRVC 在三个不同类别的实时视频上的性能，LiveNAS 超级解析云服务器上低分辨率块的所有帧。

超分辨率质量。图 7 显示了超分辨率在 360p 和 540p 输入之上三个类别的质量改进。 LiveSRVC 和 LiveNAS 的质量改进在三个类别中各不相同。 LiveSRVC 将原始低分辨率流媒体的质量提高了至少 10% 到 50%。 LiveSRVC 在实时聊天和在线游戏上的性能分别比 LiveNAS 平均高出 2% 和 3%，而 LiveNAS 在实时新闻上的质量平均高出 2%。

推理过程效率。我们通过将其与 LiveNAS 进行比较来评估我们提出的 LiveSRVC 推理过程的效率。为了模拟多任务竞争同一 GPU 资源的情况，我们在运行 LiveSRVC 和 LivNAS 的推理过程时在后台设置了几个任务。图 8 显示了在从 0 到 2 的一系列后台任务中超解析低分辨率视频块的平均 GPU 占用时间。正如我们所见，LiveSRVC 的推理过程比 LiveNAS 短至少 10 倍LiveNAS。随着后台任务的数量从 0 增加到 2，LiveSRVC 的平均 GPU 占用时间保持不变，因为我们模型的单个推理过程占用 GPU 的时间非常短。随着后台 GPU 任务数量的增加，LiveNAS 的 GPU 占用时间增加。因此，LiveSRVC 的推理过程比 LiveNAS 更稳定。

各种跟踪的性能。图 9 显示了 LiveSRVC 和 LiveNAS 在我们提出的比特率自适应算法从 0.5Mbps 到 2Mbps 的情况下的性能。图 9a 显示了每个网络跟踪的上传延迟。随着上行带宽的增加，LiveSRVC的延迟大大降低，但LiveNAS的延迟一直保持在较高的状态。 LiveNAS 的高延迟归因于云中所有低分辨率帧的超分辨率过程。图 9b 显示了视频的绝对质量如何随着带宽的增加而变化。凭借我们提出的比特率自适应算法，LiveSRVC 的性能优于 LiveNAS，后者在各种上行链路带宽条件下始终如一地实现高视频质量，带宽极其有限。如图 9c 所示，我们的模型 LiveSRVC 在一系列网络跟踪中产生更高的 QoE，这是由于其更低的延迟和更高的质量。

5 CONCLUSION

我们提出的 LiveSRVC 为低比特率的直播流提供了令人满意的质量，并且在云服务器中的 GPU 占用时间很短。具体来说，LiveSRVC 集成了基于超分辨率的关键帧压缩编码模块，以减少上传延迟，同时降低计算消耗。 LiveSRVC 引入了一种新颖的比特率自适应算法来应对动态上行链路带宽和云服务器计算资源。 LiveSRVC 实现了比原始直播流视频质量提高 10%-50% 的视频质量，并且可以获得相同的质量，同时平均减少多达 50% 的所需带宽。

ACKNOWLEDGMENT

该工作得到了国家自然科学基金61972189号和“PCL未来大湾区大规模实验与应用网络设施（LZC0019）”项目的支持。

论文翻译4-LiveSRVC相关推荐

Spatial As Deep: Spatial CNN for Traffic Scene Understanding论文翻译
Spatial As Deep: Spatial CNN for Traffic Scene Understanding论文翻译 Abstract摘要 Convolutional neural net ...
论文翻译_论文翻译的注意事项有什么？
针对不同题材的文稿有不同的翻译标准,论文翻译是比较严谨的一种翻译类型,下面小编给大家分享论文翻译的注意事项有什么? 注意"从一而终" 所有的论文,在权威平台上发布的时候都必须译为英 ...
转：经典论文翻译导读之《Google File System》
首页所有文章资讯 Web 架构基础技术书籍教程 Java小组工具资源 - 导航条 -首页所有文章资讯Web架构基础技术书籍教程Java小组工具资源经典论文翻译导读之<Google ...
论文翻译_做论文翻译需要知道哪些翻译技巧？知行翻译：这3个技巧
论文,在古代是指交谈辞章或交流思想.而现代常用来指进行各个学术领域的研究和描述学术研究成果的文章.论文不仅是探讨问题进行学术研究的一种手段,也是描述学术研究成果进行学术交流的一种工具.常见的种类包括学 ...
php 谷歌翻译api_科研福音，论文翻译神器系列！
参考文献很大程度上反映了一篇论文的水平.对于研究生来说,自己动手写论文前的第一步工作就是阅读大量高水平.前沿的文献,而这些论文大多是英文写就. 人工翻译一般比较耗时且需要扎实的语言功底,对于初学者来说 ...
Arcface v1 论文翻译与解读
神罗Noctis 2019-10-13 16:14:39 543 收藏 4 展开论文地址:http://arxiv.org/pdf/1801.07698v1.pdf 最新版本v3的论文翻译:Ar ...
【转】分布式一致性算法：Raft 算法（Raft 论文翻译）
编者按:这篇文章来自简书的一个位博主Jeffbond,读了好几遍,翻译的质量比较高,原文链接:分布式一致性算法:Raft 算法(Raft 论文翻译),版权一切归原译者. 同时,第6部分的集群成员变更读 ...
Deep Residual Learning for Image Recognition（ResNet）论文翻译及学习笔记
[论文翻译]:Deep Residual Learning for Image Recognition [论文来源]:Deep Residual Learning for Image Recognit ...
【剪枝算法】通过网络瘦身学习高效的卷积网络Learning Efficient Convolutional Networks through Network Slimming论文翻译
此论文翻译仅仅用于自己方便学习.译文来自其他处. 在许多实际应用中部署深度卷积神经网络(CNN)很大程度上受到其计算成本高的限制.在本文中,我们提出了一种新的CNNs学习方案,能同时1)减小模型大小; ...

论文翻译4-LiveSRVC