Etude et évaluation de techniques d'apprentissage automatique pour l'optimisation de solutions d'encodage vidéo matérielles

Study and evaluation of machine learning techniques for the optimization of hardware video encoding solutions

• Auteur / Autrice : Pierre-alain Afro
• Direction : Alice Caplier
• Type : Projet de thèse
• Discipline(s) : Signal Image Parole Télécoms
• Date : Inscription en doctorat le 01/04/2022
• Etablissement(s) : Université Grenoble Alpes
• Ecole(s) doctorale(s) : École doctorale électronique, électrotechnique, automatique, traitement du signal (Grenoble ; 199.-....)
• Partenaire(s) de recherche : Laboratoire : Grenoble Images parole signal automatique (2007-....)
• Partenaire(s) de recherche : Equipe de recherche : ACTIV

Mots clés

Mots clés libres

Encodage vidéo

Apprentissage automatique

Support matériel

Video encoding

Machine learning

Hardware support

Résumé

Les solutions d'encodage développées par Allegro ciblent la conception de circuits ASIC et présentent donc un compromis particulier entre la qualité vidéo et la complexité d'implémentation. L'objectif de la thèse est de chercher à déterminer si des techniques d'apprentissage automatique pourraient ainsi être intégrées à ces solutions pour en améliorer la qualité, en évaluant leur faisabilité en termes de complexité matérielle. Le candidat devra développer et modéliser de telles techniques dans l'environnement logiciel et le modèle de référence des encodeurs d'Allegro, de manière à quantifier les gains potentiels. Il cherchera également à minimiser le coût d'implémentation de ces solutions en étudiant des techniques récentes d'optimisation (par exemple par quantification, élagage de réseaux...) Les solutions élaborées et évaluées dans le cadre de ce travail de recherche seront ainsi au cœur des nouvelles architectures d'encodage matériel développées par Allegro qui prendront place dans les « System-on-Chip » de demain.

The encoding solutions developed by Allegro target the design of ASICs and thus present a particular trade-off between video quality and implementation complexity. The objective of the thesis is to determine whether machine learning techniques could be integrated into these solutions to improve their quality, by evaluating their feasibility in terms of hardware complexity. The candidate will develop and model such techniques in Allegro's software environment and encoder reference model, in order to quantify the potential gains. He will also seek to minimize the implementation cost of these solutions by studying recent optimization techniques (e.g., quantization, network pruning, etc.) The solutions developed and evaluated in the context of this research work will thus be at the heart of the new hardware encoding architectures developed by Allegro, which will be used in the 'System-on-Chip' of tomorrow.