O Student Branch convida voc\u00ea para uma palestra com o Dr. Wen-Hsiao Peng, pesquisador e professor com ampla experi\u00eancia em codifica\u00e7\u00e3o de v\u00eddeo baseada em redes neurais!<\/p>\n
Data:<\/strong> 21\/02\/2025 Tema:<\/strong> On the Rate-Distortion-Complexity Trade-offs of Neural Video Coding<\/em><\/p>\n Resumo da palestra:<\/strong> Para lidar com esse problema, os m\u00e9todos mais avan\u00e7ados de codifica\u00e7\u00e3o condicional incorporam um grande volume de recursos de alta resolu\u00e7\u00e3o como sinal condicional, o que resulta em um aumento significativo no n\u00famero de opera\u00e7\u00f5es de multiplica\u00e7\u00e3o e acumula\u00e7\u00e3o, no uso de mem\u00f3ria e no tamanho do modelo.<\/p>\n Nesta palestra, o Dr. Peng explorar\u00e1 os desafios e trade-offs<\/em> entre taxa, distor\u00e7\u00e3o e complexidade na codifica\u00e7\u00e3o de v\u00eddeo baseada em redes neurais moderna. Ele apresentar\u00e1 uma nova abordagem, a codifica\u00e7\u00e3o residual condicional, e discutir\u00e1 como essa t\u00e9cnica e suas variantes podem atingir um equil\u00edbrio mais eficiente entre esses fatores.<\/p>\n Sobre o palestrante:<\/strong> As inscri\u00e7\u00f5es est\u00e3o abertas! Preencha este formul\u00e1rio<\/a> para garantir sua vaga.<\/p>\n","protected":false},"excerpt":{"rendered":" O Student Branch convida voc\u00ea para uma palestra com o Dr. Wen-Hsiao Peng, pesquisador e professor com ampla experi\u00eancia em codifica\u00e7\u00e3o de v\u00eddeo baseada em redes neurais! Data: 21\/02\/2025 Hor\u00e1rio: 15h00 Local: Audit\u00f3rio da Reitoria (Anglo) Tema: On the Rate-Distortion-Complexity… Continue lendo →<\/a><\/p>\n","protected":false},"author":1374,"featured_media":0,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-442","post","type-post","status-publish","format-standard","hentry","category-noticias"],"jetpack_featured_media_url":"","_links":{"self":[{"href":"https:\/\/wp.ufpel.edu.br\/ieeesbufpel\/wp-json\/wp\/v2\/posts\/442","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/wp.ufpel.edu.br\/ieeesbufpel\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/wp.ufpel.edu.br\/ieeesbufpel\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/wp.ufpel.edu.br\/ieeesbufpel\/wp-json\/wp\/v2\/users\/1374"}],"replies":[{"embeddable":true,"href":"https:\/\/wp.ufpel.edu.br\/ieeesbufpel\/wp-json\/wp\/v2\/comments?post=442"}],"version-history":[{"count":3,"href":"https:\/\/wp.ufpel.edu.br\/ieeesbufpel\/wp-json\/wp\/v2\/posts\/442\/revisions"}],"predecessor-version":[{"id":446,"href":"https:\/\/wp.ufpel.edu.br\/ieeesbufpel\/wp-json\/wp\/v2\/posts\/442\/revisions\/446"}],"wp:attachment":[{"href":"https:\/\/wp.ufpel.edu.br\/ieeesbufpel\/wp-json\/wp\/v2\/media?parent=442"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/wp.ufpel.edu.br\/ieeesbufpel\/wp-json\/wp\/v2\/categories?post=442"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/wp.ufpel.edu.br\/ieeesbufpel\/wp-json\/wp\/v2\/tags?post=442"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
\nHor\u00e1rio:<\/strong> 15h00
\nLocal:<\/strong> Audit\u00f3rio da Reitoria (Anglo)<\/p>\n
\nNos \u00faltimos anos, a codifica\u00e7\u00e3o de v\u00eddeo baseada em redes neurais tem sido amplamente explorada, com autoencoders<\/em> condicionais se destacando como a principal abordagem para aumentar a efici\u00eancia da codifica\u00e7\u00e3o de v\u00eddeo. O conceito central dos autoencoders<\/em> condicionais \u00e9 aproveitar informa\u00e7\u00f5es espaciais e temporais para melhorar a codifica\u00e7\u00e3o condicional. No entanto, estudos recentes indicam que essa abordagem pode sofrer com gargalos de informa\u00e7\u00e3o, podendo at\u00e9 apresentar desempenho inferior \u00e0 codifica\u00e7\u00e3o residual tradicional.<\/p>\n
\nO Dr. Wen-Hsiao Peng \u00e9 professor do Departamento de Ci\u00eancia da Computa\u00e7\u00e3o da National Yang Ming Chiao Tung University<\/em> (NYCU), Taiwan. Ele j\u00e1 atuou no Intel Microprocessor Research Laboratory<\/em> e foi pesquisador visitante no IBM Thomas J. Watson Research Center<\/em>. Possui mais de 120 publica\u00e7\u00f5es na \u00e1rea de processamento de v\u00eddeo\/imagem e contribuiu diretamente para os padr\u00f5es H.264\/AVC, H.265\/HEVC, H.266\/VVC e JPEG AI. Atualmente, ele se dedica ao estudo de redes neurais para compress\u00e3o de v\u00eddeos e \u00e9 IEEE Fellow<\/em> por suas contribui\u00e7\u00f5es \u00e0 \u00e1rea.<\/p>\n