For each video sequence of differen

For each video sequence of different resolutions and different QP, a SVM classifier is pre-trained respectively.The training Video sequences of different resolutions are obtained from 4K video down-sampling. In order to maximize the prediction accuracy, each SVM classifier would be updated online according to the information getting from the first frame in a group of intra pictures (GOIP). However, in some cases, the number of CU getting in the first frame may be small, and thus there is no sufficient information to update the SVM classifier. In this case, the off-line trained SVM would be directly used for the CU early termination decision process in current GOIP.

結果 (繁體中文) 1:

對於不同的分辨率和不同QP的每個視頻序列，SVM分類器分別是預先訓練。
個不同分辨率的訓練視頻序列從4K視頻降採樣獲得。為了最大限度地提高預測精度，每個SVM分類器將被在線根據該信息的一組幀內圖像（GOIP）的在從第一幀得到更新。
然而，在一些情況下，CU的獲得在第一幀的數量可以是小的，並且因此沒有足夠的信息來更新所述SVM分類器。
在這種情況下，離線訓練的SVM將直接用於目前的GOIP的CU提前終止的決策過程。

結果 (繁體中文) 2:

對於不同解析度和不同 QP 的每個視頻序列，分別預訓練 SVM 分類器。
從 4K 視頻下採樣中獲得不同解析度的訓練視頻序列。為了最大化預測精度，每個 SVM 分類器將根據從一組內部圖片 （GOIP） 中的第一幀獲得的資訊線上更新。
但是，在某些情況下，在第一個幀中獲取的 CU 數量可能很小，因此沒有足夠的資訊來更新 SVM 分類器。
在這種情況下，線上訓練的 SVM 將直接用於當前 GOIP 中的 CU 早期終止決策流程。

結果 (繁體中文) 3:

針對不同分辯率和不同QP的視頻序列，分別對支持向量機分類器進行預訓練。
從4K視頻下採樣得到不同分辯率的訓練視頻序列。為了最大限度地提高預測精度，每一個支持向量機分類器都會根據一組幀內影像（GOIP）中第一幀的資訊進行線上更新。
然而，在某些情况下，在第一幀中得到的CU的數目可能很小，囙此沒有足够的資訊來更新支持向量機分類器。
在這種情況下，離線訓練的支持向量機將直接用於當前GOIP中的CU提前終止決策過程。