Este projeto de pesquisa tem como objetivo a in...este projeto de pesquisa tem como objetivo a investigação, projeto e implementação de técnicas de machine learning para otimização computacional em aplicações de codificação e transcodificação de vídeo. os sistemas de codificação selecionados incluem o padrão mais recente h.265/hevc (high efficiency video coding) da itu-t e o codificador emergente av1 (aomedia video 1) da aom. o padrão hevc foi desenvolvido a partir da necessidade de uma maior taxa de compressão para vídeos de resoluções altas como full hd (full high definition, 1920x1080). comparado a seu antecessor, o padrão h.264/avc, o hevc é capaz de atingir aproximadamente o dobro de compressão para a mesma qualidade de imagem. no entanto, as novas ferramentas introduzidas no hevc o tornam até 3 vezes mais complexo que o h.264/avc. além disso, o novo codificador av1 atinge os melhores resultados de compressão entre seus competidores (incluindo o hevc), mas ao custo de uma complexidade entre 2500 e 3000 vezes maior comparada com os demais. esses resultados apontam que a codificação em tempo real para codificadores hevc e av1 é um grande desafio, portanto soluções que apresentam otimizações computacionais para esses padrões são de extrema importância. para lidar com esse problema, este projeto irá investigar soluções de otimização computacional para os componentes mais custosos de codificadores de alta eficiência. duas frentes de trabalho foram delimitadas: a primeira envolve o desenvolvimento de soluções em software com uso de machine learning, visto que essa abordagem apresentou excelentes resultados em pesquisas recentes; e a segunda se baseia em desenvolvimento de arquiteturas vlsi (very large scale integration) para os kernels mais custosos dos codificadores. primeiramente, será realizada uma análise em software das aplicações dos codificadores para identificar os módulos mais intensivos em computação. a seguir, técnicas de data mining serão utilizadas para coletar e processar a informação desses codificadores, a fim de identificar dados relevantes que permitam predizer o resultado de algumas operações realizadas na codificação. utilizando os dados selecionados na etapa anterior, modelos preditivos utilizando técnicas como decision trees e random forests serão treinados para reduzir ou eliminar os cálculos necessários nas operações. além disso, soluções vlsi também serão desenvolvidas com o propósito de otimizar os kernels de codificação. essas arquiteturas serão utilizadas de forma colaborativa com os modelos preditivos, permitindo uma integração entre as otimizações em software e em hardware.