Kompresi Video Menggunakan Metode Deep Video Compression Pada Hasil Rekaman Drone

Maranatha, Reza Adipatria (2021) Kompresi Video Menggunakan Metode Deep Video Compression Pada Hasil Rekaman Drone. Undergraduate thesis, Institut Teknologi Sepuluh Nopember.

Text 05111740000186-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 April 2023. Download (2MB) | Request a copy

Abstract

Perkembangan Teknologi yang pesat telah memperkecil ukuran drone dan kamera. Hal ini memberikan kemudahan untuk merekam video dengan resolusi full High Definition (HD) hanya dengan kamera yang tertanam pada drone. Namun, kita ketahui bahwa video full HD memiliki ukuran yang cukup besar. Maka dari itu, diperlukan sebuah sistem kompresi yang efisien dalam mengkompres video. Sistem tersebut diharapkan dapat mempertahankan kualitas video tetapi mengurangi ukuran nya dan mengurangi tempat penyimpanan.
Tugas Akhir ini bertujuan membangun sebuah sistem kompresi video menggunakan metode Deep Video Compression (DVC) [1] untuk mengkompresi video hasil rekaman dari drone menjadi ukuran yang cocok digunakan untuk kegunaan lanjutan. DVC merupakan sebuah model kompresi video end-to-end berbasis Deep Neural Network (DNN) yang menggunakan skema Autoencoder untuk melakukan kompresi video. DVC menggabungkan motion estimation, motion compression, motion compensation, residual compression, dan entropy encoding pada sebuah model kompresi video secara end-to-end.
Model yang dibangun diuji terhadap video hasil rekaman drone yang diambil menggunakan DJI Mini 2. Metric PSNR dan MS-SSIM digunakan untuk melakukan evaluasi terhadap model ini. Model ini dibandingkan dengan algoritma kompresi video tradisional H.264 dan H.265 (HEVC). Kedua algoritma tersebut dievaluasi menggunakan metric yang sama dengan setelan kualitas video yang berjalan pada preset very fast. Model MS-SSIM mendapatkan hasil terbaik pada data video UVG-Beauty dengan nilai MS-SSIM 0.943 pada λ = 64 dan bpp = 0.452. Model PSNR mendapatkan hasil terbaik pada data video Drone pertama dengan nilai PSNR 36.88 dB pada λ = 2048 dan bpp = 0.206.
========================================================================================================
Rapid development in technology have greatly reduce the size of drones and cameras. Therefore, it becomes easier to record a video with Full High-Definition (HD) resolution using the built-in camera in a drone. It is widely known that videos with Full HD resolution have large size. Therefore, an efficient video compression system is needed to compress drone recorded videos. The video compression system need to maintain video quality but reduce its size and lessen storage space.
This final project assignment aimed to create a video compression system using Deep Video Compression (DVC) [1] to be used to compress drone recorded videos into a more feasible form for further usage. DVC is an end-to-end video compression model based on Deep Neural Network using Autoencoder architecture to compress videos. DVC combines motion estimation, motion compression, motion compensation, residual compression, and entropy encoding on a single end-to-end video compression model.
This video compression model will be tested on drone videos taken using DJI Mini 2 drone. PSNR and MS-SSIM metric are used to evaluate the model. This video compression model will be compared to a more traditional compression algorithm H.264 and H.265 (HEVC). Both algorithm will be evaluated using the same metric PSNR and MS-SSIM with varying quality settings using very fast preset. MS-SSIM model got the highest performance on UVG-Beauty dataset with MS-SSIM score of 0.943, λ = 64 and bpp = 0.452. PSNR model got the highest performance on the first Drone video data with PSNR score of 36.88 dB, λ=2048, and bpp = 0.206.

Item Type:	Thesis (Undergraduate)
Uncontrolled Keywords:	Drone, Video, Autoencoder, Kompresi Video, Deep Video Compression
Subjects:	R Medicine > R Medicine (General) > R858 Deep Learning R Medicine > RA Public aspects of medicine > RA644.C67 COVID-19 (Disease) U Military Science > UG1242 Drone aircraft--Control systems. (unmanned vehicle)
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55201-(S1) Undergraduate Thesis
Depositing User:	Reza Adipatria Maranatha
Date Deposited:	12 Aug 2021 11:24
Last Modified:	12 Aug 2021 11:24
URI:	http://repository.its.ac.id/id/eprint/86146

Actions (login required)

View Item