1 |
1
무선 통신 시스템에서의 영상 처리 방법에서,학습 영상 데이터에 상응하는 복수의 학습 영상 패킷들 각각의 중요도 지수를 결정하는 단계;상기 복수의 학습 영상 패킷들 각각의 헤더에 포함되는 복수의 헤더 정보들 중에서 두 개 이상의 헤더 정보들을 제1 헤더 정보들로서 독출하는 단계;딥러닝(Deep Learning) 모듈에 대해 상기 복수의 학습 영상 패킷들 각각의 상기 제1 헤더 정보들 및 상기 중요도 지수에 기초하여 상기 복수의 학습 영상 패킷들 각각의 상기 제1 헤더 정보들을 m(m은 양의 정수) 이하의 양의 정수값들 중의 하나의 값으로 분류하는 학습을 수행하여 제1 중요도 추정 모델을 생성하는 단계;상기 복수의 학습 영상 패킷들 각각의 상기 제1 헤더 정보들 및 상기 중요도 지수에 대해 로지스틱 회귀 분석(Logistic Regression)을 수행하여 제2 중요도 추정 모델을 생성하는 단계;전송 영상 데이터에 상응하는 복수의 전송 영상 패킷들 각각의 헤더에 포함되는 복수의 헤더 정보들 중에서 상기 제1 헤더 정보들과 동일한 타입의 헤더 정보들을 제2 헤더 정보들로서 독출하는 단계;상기 복수의 전송 영상 패킷들 각각의 상기 제2 헤더 정보들 및 상기 제1 중요도 추정 모델에 기초하여 m 이하의 양의 정수값을 갖는 상기 복수의 전송 영상 패킷들 각각의 제1 추정 중요도를 결정하는 단계;상기 복수의 전송 영상 패킷들 각각의 상기 제2 헤더 정보들 및 상기 제2 중요도 추정 모델에 기초하여 0과 1사이의 실수값을 갖는 상기 복수의 전송 영상 패킷들 각각의 제2 추정 중요도를 결정하는 단계;상기 복수의 전송 영상 패킷들 각각의 상기 제1 추정 중요도 및 상기 제2 추정 중요도에 기초하여 상기 복수의 전송 영상 패킷들 각각의 중요도를 결정하는 단계; 및무선 통신 네트워크의 데이터 전송율(data rate)에 기초하여 상기 복수의 전송 영상 패킷들 중에서 상대적으로 높은 중요도를 갖는 전송 영상 패킷들을 선택 영상 패킷들로서 출력하는 단계를 포함하는 영상 처리 방법
|
2 |
2
제1 항에 있어서, 상기 학습 영상 데이터에 상응하는 상기 복수의 학습 영상 패킷들 각각의 상기 중요도 지수를 결정하는 단계는,상기 복수의 학습 영상 패킷들 전체를 사용하여 재생되는 영상의 제1 품질을 결정하는 단계;상기 복수의 학습 영상 패킷들 각각에 대해, 상기 복수의 학습 영상 패킷들 중에서 상기 복수의 학습 영상 패킷들 각각을 제외한 나머지 학습 영상 패킷들을 사용하여 재생되는 영상의 제2 품질을 결정하는 단계; 및상기 제1 품질에 대한 상기 제2 품질의 열화도에 기초하여 상기 복수의 학습 영상 패킷들 각각의 상기 중요도 지수를 결정하는 단계를 포함하는 영상 처리 방법
|
3 |
3
제1 항에 있어서, 상기 중요도 지수는,영상의 품질에 대한 정보를 나타내는 VQM(Video Quality Metric) 및 영상 신호의 최대 전력과 잡음 전력의 비율에 대한 정보를 나타내는 PSNR(Peak Signal-to-Noise Ratio) 중의 하나에 상응하는 영상 처리 방법
|
4 |
4
제1 항에 있어서, 상기 제1 헤더 정보들 각각 및 상기 제2 헤더 정보들 각각은,상응하는 영상 패킷의 손실에 의해 영향을 받는 픽처(picture)의 개수에 대한 정보, 상기 상응하는 영상 패킷이 포함되는 픽처의 타입에 대한 정보, 상기 상응하는 영상 패킷에 포함된 매크로 블록(macroblock)의 개수, 픽처의 경계로부터 상기 상응하는 영상 패킷에 포함된 매크로 블록까지의 거리에 대한 정보, 상기 상응하는 영상 패킷에 포함되는 비트 수에 대한 정보, 상기 상응하는 영상 패킷이 최대 비트 수를 포함하는지 여부에 대한 정보, 상기 상응하는 영상 패킷이 전체 픽처를 포함하는지 여부에 대한 정보, 및 상기 상응하는 영상 패킷의 매크로 블록당 비트 수의 평균값에 대한 정보 중의 하나인 영상 처리 방법
|
5 |
5
제1 항에 있어서, 상기 딥러닝 모듈은 심층 신경망(Deep Neural Network; DNN)에 상응하는 계층 구조를 갖는 영상 처리 방법
|
6 |
6
제5 항에 있어서, 상기 딥러닝 모듈에 대해 상기 복수의 학습 영상 패킷들 각각의 상기 제1 헤더 정보들 및 상기 중요도 지수에 기초하여 상기 복수의 학습 영상 패킷들 각각의 상기 제1 헤더 정보들을 m 이하의 양의 정수값들 중의 하나의 값으로 분류하는 학습을 수행하여 상기 제1 중요도 추정 모델을 생성하는 단계는,상기 복수의 학습 영상 패킷들 각각의 상기 중요도 지수가 갖는 값의 범위를 제1 내지 제m 구간들로 구분하는 단계;상기 복수의 학습 영상 패킷들 각각의 상기 중요도 지수가 제i(i는 m 이하의 양의 정수) 구간에 포함되는 경우, 상기 심층 신경망이 상기 복수의 학습 영상 패킷들 각각의 상기 제1 헤더 정보들을 m 이하의 양의 정수값들 중에서 i 값으로 분류하도록 상기 심층 신경망을 학습시키는 단계; 및상기 학습이 완료된 심층 신경망을 상기 제1 중요도 추정 모델로 결정하는 단계를 포함하는 영상 처리 방법
|
7 |
7
제6 항에 있어서, 상기 복수의 전송 영상 패킷들 각각의 상기 제2 헤더 정보들 및 상기 제1 중요도 추정 모델에 기초하여 m 이하의 양의 정수값을 갖는 상기 복수의 전송 영상 패킷들 각각의 상기 제1 추정 중요도를 결정하는 단계는,상기 복수의 전송 영상 패킷들 각각의 상기 제2 헤더 정보들을 상기 제1 중요도 추정 모델에 입력하는 단계; 및상기 복수의 전송 영상 패킷들 각각의 상기 제2 헤더 정보들에 대해 상기 제1 중요도 추정 모델로부터 출력되는 결과 데이터에 기초하여 m 이하의 양의 정수값들 중의 하나를 상기 복수의 전송 영상 패킷들 각각의 상기 제1 추정 중요도로 결정하는 단계를 포함하는 영상 처리 방법
|
8 |
8
제1 항에 있어서, 상기 복수의 학습 영상 패킷들 각각의 상기 제1 헤더 정보들 및 상기 중요도 지수에 대해 로지스틱 회귀 분석을 수행하여 상기 제2 중요도 추정 모델을 생성하는 단계는,상기 복수의 학습 영상 패킷들 각각의 상기 중요도 지수가 0과 1사이의 실수값을 갖도록 상기 복수의 학습 영상 패킷들 각각의 상기 중요도 지수를 스케일링(scaling)하는 단계;아래의 수학식에 따라 상기 복수의 학습 영상 패킷들 각각의 상기 제1 헤더 정보들 및 상기 스케일링된 중요도 지수에 대해 로지스틱 회귀 분석을 수행하여 아래의 수학식에 포함되는 상수의 값 및 상기 제1 헤더 정보들의 계수들의 값들을 결정하는 단계; 및상기 결정된 상수 및 상기 결정된 계수들을 포함하는 아래의 수학식을 상기 제2 중요도 추정 모델로 결정하는 단계를 포함하는 영상 처리 방법
|
9 |
9
제8 항에 있어서, 상기 복수의 전송 영상 패킷들 각각의 상기 제2 헤더 정보들 및 상기 제2 중요도 추정 모델에 기초하여 0과 1사이의 실수값을 갖는 상기 복수의 전송 영상 패킷들 각각의 상기 제2 추정 중요도를 결정하는 단계는,상기 복수의 전송 영상 패킷들 각각의 상기 제2 헤더 정보들을 상기 제2 중요도 추정 모델에 입력하는 단계;상기 제2 중요도 추정 모델에 상응하는 상기 수학식에 따른 연산을 수행하여 상기 스케일링된 중요도 지수를 계산하는 단계; 및상기 복수의 전송 영상 패킷들 각각의 상기 제2 헤더 정보들에 상응하는 상기 스케일링된 중요도 지수를 상기 복수의 전송 영상 패킷들 각각의 상기 제2 추정 중요도로 결정하는 단계를 포함하는 영상 처리 방법
|
10 |
10
제1 항에 있어서, 상기 무선 통신 네트워크의 데이터 전송율에 기초하여 상기 복수의 전송 영상 패킷들 중에서 상대적으로 높은 중요도를 갖는 전송 영상 패킷들을 상기 선택 영상 패킷들로서 출력하는 단계는,상기 무선 통신 네트워크의 데이터 전송율이 상기 전송 영상 데이터에 상응하는 상기 복수의 전송 영상 패킷들을 모두 전송하는 데에 필요한 제1 전송율보다 높거나 같은 경우, 상기 전송 영상 데이터에 상응하는 상기 복수의 전송 영상 패킷들 전체를 상기 선택 영상 패킷들로서 출력하는 단계; 및상기 무선 통신 네트워크의 데이터 전송율이 상기 제1 전송율보다 a(a는 100 이하의 양의 실수) 퍼센트만큼 낮은 경우, 상기 전송 영상 데이터의 복수의 픽처 그룹(Group of Pictures; GOP)들 각각에 대해, 상기 픽처 그룹에 포함되는 상기 전송 영상 패킷들 중에서 상기 중요도가 낮은 순서대로 상기 픽처 그룹의 전체 비트 수의 a 퍼센트에 해당하는 비트 수에 상응하는 전송 영상 패킷들을 제외하고 나머지 전송 영상 패킷들만을 상기 선택 영상 패킷들로서 출력하는 단계를 포함하는 영상 처리 방법
|
11 |
11
무선 통신 시스템에서의 영상 전송 방법에서,학습 영상 데이터에 상응하는 복수의 학습 영상 패킷들 각각의 중요도 지수를 결정하는 단계;상기 복수의 학습 영상 패킷들 각각의 헤더에 포함되는 복수의 헤더 정보들 중에서 두 개 이상의 헤더 정보들을 제1 헤더 정보들로서 독출하는 단계;딥러닝(Deep Learning) 모듈에 대해 상기 복수의 학습 영상 패킷들 각각의 상기 제1 헤더 정보들 및 상기 중요도 지수에 기초하여 상기 복수의 학습 영상 패킷들 각각의 상기 제1 헤더 정보들을 m(m은 양의 정수) 이하의 양의 정수값들 중의 하나의 값으로 분류하는 학습을 수행하여 제1 중요도 추정 모델을 생성하는 단계;상기 복수의 학습 영상 패킷들 각각의 상기 제1 헤더 정보들 및 상기 중요도 지수에 대해 로지스틱 회귀 분석(Logistic Regression)을 수행하여 제2 중요도 추정 모델을 생성하는 단계;전송 영상 데이터에 상응하는 복수의 전송 영상 패킷들 각각의 헤더에 포함되는 복수의 헤더 정보들 중에서 상기 제1 헤더 정보들과 동일한 타입의 헤더 정보들을 제2 헤더 정보들로서 독출하는 단계;상기 복수의 전송 영상 패킷들 각각의 상기 제2 헤더 정보들 및 상기 제1 중요도 추정 모델에 기초하여 m 이하의 양의 정수값을 갖는 상기 복수의 전송 영상 패킷들 각각의 제1 추정 중요도를 결정하는 단계;상기 복수의 전송 영상 패킷들 각각의 상기 제2 헤더 정보들 및 상기 제2 중요도 추정 모델에 기초하여 0과 1사이의 실수값을 갖는 상기 복수의 전송 영상 패킷들 각각의 제2 추정 중요도를 결정하는 단계;상기 복수의 전송 영상 패킷들 각각의 상기 제1 추정 중요도 및 상기 제2 추정 중요도에 기초하여 상기 복수의 전송 영상 패킷들 각각의 중요도를 결정하는 단계;무선 통신 네트워크의 데이터 전송율(data rate)에 기초하여 상기 복수의 전송 영상 패킷들 중에서 상대적으로 높은 중요도를 갖는 전송 영상 패킷들을 선택 영상 패킷들로서 출력하는 단계; 및상기 선택 영상 패킷들 각각을 복수의 단위 블록들로 나누고, 상기 복수의 단위 블록들 각각에 대해 채널 인코딩을 수행하여 상기 무선 통신 네트워크를 통해 전송하는 단계를 포함하는 영상 전송 방법
|
12 |
12
데이터베이스;학습 영상 데이터에 상응하는 복수의 학습 영상 패킷들 각각의 중요도 지수를 결정하고, 상기 복수의 학습 영상 패킷들 각각의 헤더에 포함되는 복수의 헤더 정보들 중에서 두 개 이상의 헤더 정보들을 제1 헤더 정보들로서 독출하고, 상기 복수의 학습 영상 패킷들 각각의 상기 중요도 지수 및 상기 제1 헤더 정보들을 서로 연관시켜 상기 데이터베이스에 저장하는 학습 데이터 생성부;전송 영상 데이터에 상응하는 복수의 전송 영상 패킷들 각각의 헤더에 포함되는 복수의 헤더 정보들 중에서 상기 제1 헤더 정보들과 동일한 타입의 헤더 정보들을 제2 헤더 정보들로서 독출하는 헤더 정보 독출부;상기 데이터베이스에 저장된 상기 복수의 학습 영상 패킷들 각각의 상기 제1 헤더 정보들 및 상기 중요도 지수에 기초하여 상기 복수의 학습 영상 패킷들 각각의 상기 제1 헤더 정보들을 m(m은 양의 정수) 이하의 양의 정수값들 중의 하나의 값으로 분류하는 학습을 수행하여 제1 중요도 추정 모델을 생성하고, 상기 제1 중요도 추정 모델을 사용하여 상기 복수의 전송 영상 패킷들 각각의 상기 제2 헤더 정보들을 m 이하의 양의 정수값들 중의 하나의 값으로 분류하여 상기 분류된 값을 상기 복수의 전송 영상 패킷들 각각의 제1 추정 중요도로 결정하는 딥러닝(Deep Learning) 모듈;상기 데이터베이스에 저장된 상기 복수의 학습 영상 패킷들 각각의 상기 제1 헤더 정보들 및 상기 중요도 지수에 대해 로지스틱 회귀 분석(Logistic Regression)을 수행하여 제2 중요도 추정 모델을 생성하고, 상기 제2 중요도 추정 모델을 사용하여 상기 복수의 전송 영상 패킷들 각각의 상기 제2 헤더 정보들에 상응하는 0과 1사이의 실수값을 계산하여 상기 계산된 값을 상기 복수의 전송 영상 패킷들 각각의 제2 추정 중요도로 결정하는 로지스틱 회귀 분석부;상기 복수의 전송 영상 패킷들 각각의 상기 제1 추정 중요도 및 상기 제2 추정 중요도에 기초하여 상기 복수의 전송 영상 패킷들 각각의 중요도를 결정하는 중요도 결정부; 및무선 통신 네트워크의 데이터 전송율(data rate)에 기초하여 상기 복수의 전송 영상 패킷들 중에서 상대적으로 높은 중요도를 갖는 전송 영상 패킷들을 선택 영상 패킷들로서 출력하는 영상 패킷 선택부를 포함하는 영상 처리 장치
|
13 |
13
제12 항에 있어서, 상기 학습 데이터 생성부는,상기 복수의 학습 영상 패킷들 전체를 사용하여 재생되는 영상의 제1 품질을 결정하고, 상기 복수의 학습 영상 패킷들 각각에 대해, 상기 복수의 학습 영상 패킷들 중에서 상기 복수의 학습 영상 패킷들 각각을 제외한 나머지 학습 영상 패킷들을 사용하여 재생되는 영상의 제2 품질을 결정한 후, 상기 제1 품질에 대한 상기 제2 품질의 열화도에 기초하여 상기 복수의 학습 영상 패킷들 각각의 상기 중요도 지수를 결정하는 영상 처리 장치
|
14 |
14
제12 항에 있어서, 상기 중요도 지수는,영상의 품질에 대한 정보를 나타내는 VQM(Video Quality Metric) 및 영상 신호의 최대 전력과 잡음 전력의 비율에 대한 정보를 나타내는 PSNR(Peak Signal-to-Noise Ratio) 중의 하나에 상응하는 영상 처리 장치
|
15 |
15
제12 항에 있어서, 상기 제1 헤더 정보들 각각 및 상기 제2 헤더 정보들 각각은,상응하는 영상 패킷의 손실에 의해 영향을 받는 픽처(picture)의 개수에 대한 정보, 상기 상응하는 영상 패킷이 포함되는 픽처의 타입에 대한 정보, 상기 상응하는 영상 패킷에 포함된 매크로 블록(macroblock)의 개수, 픽처의 경계로부터 상기 상응하는 영상 패킷에 포함된 매크로 블록까지의 거리에 대한 정보, 상기 상응하는 영상 패킷에 포함되는 비트 수에 대한 정보, 상기 상응하는 영상 패킷이 최대 비트 수를 포함하는지 여부에 대한 정보, 상기 상응하는 영상 패킷이 전체 픽처를 포함하는지 여부에 대한 정보, 및 상기 상응하는 영상 패킷의 매크로 블록당 비트 수의 평균값에 대한 정보 중의 하나인 영상 처리 장치
|
16 |
16
제12 항에 있어서, 상기 딥러닝 모듈은 심층 신경망(Deep Neural Network; DNN)에 상응하는 계층 구조를 갖는 영상 처리 장치
|
17 |
17
제16 항에 있어서, 상기 딥러닝 모듈은,상기 복수의 학습 영상 패킷들 각각의 상기 중요도 지수가 갖는 값의 범위를 제1 내지 제m 구간들로 구분하고, 상기 복수의 학습 영상 패킷들 각각의 상기 중요도 지수가 제i(i는 m 이하의 양의 정수) 구간에 포함되는 경우, 상기 심층 신경망이 상기 복수의 학습 영상 패킷들 각각의 상기 제1 헤더 정보들을 m 이하의 양의 정수값들 중에서 i 값으로 분류하도록 상기 심층 신경망을 학습시킨 후, 상기 학습이 완료된 심층 신경망을 상기 제1 중요도 추정 모델로 결정하는 영상 처리 장치
|
18 |
18
제17 항에 있어서, 상기 딥러닝 모듈은,상기 헤더 정보 독출부로부터 수신되는 상기 복수의 전송 영상 패킷들 각각의 상기 제2 헤더 정보들을 상기 제1 중요도 추정 모델에 입력하고, 상기 제1 중요도 추정 모델로부터 출력되는 결과 데이터에 기초하여 m 이하의 양의 정수값들 중의 하나를 상기 복수의 전송 영상 패킷들 각각의 상기 제1 추정 중요도로 결정하는 영상 처리 장치
|
19 |
19
제12 항에 있어서, 상기 로지스틱 회귀 분석부는,상기 복수의 학습 영상 패킷들 각각의 상기 중요도 지수가 0과 1사이의 실수값을 갖도록 상기 복수의 학습 영상 패킷들 각각의 상기 중요도 지수를 스케일링(scaling)하고, 아래의 수학식에 따라 상기 복수의 학습 영상 패킷들 각각의 상기 제1 헤더 정보들 및 상기 스케일링된 중요도 지수에 대해 로지스틱 회귀 분석을 수행하여 아래의 수학식에 포함되는 상수의 값 및 상기 제1 헤더 정보들의 계수들의 값들을 결정한 후, 상기 결정된 상수 및 상기 결정된 계수들을 포함하는 아래의 수학식을 상기 제2 중요도 추정 모델로 결정하는 영상 처리 장치
|
20 |
20
제19 항에 있어서, 상기 로지스틱 회귀 분석부는,상기 헤더 정보 독출부로부터 수신되는 상기 복수의 전송 영상 패킷들 각각의 상기 제2 헤더 정보들을 상기 제2 중요도 추정 모델에 입력하고, 상기 제2 중요도 추정 모델에 상응하는 상기 수학식에 따른 연산을 수행하여 상기 스케일링된 중요도 지수를 계산한 후, 상기 스케일링된 중요도 지수를 상기 복수의 전송 영상 패킷들 각각의 상기 제2 추정 중요도로 결정하는 영상 처리 장치
|
21 |
21
제12 항에 있어서, 상기 영상 패킷 선택부는,상기 무선 통신 네트워크의 데이터 전송율이 상기 전송 영상 데이터에 상응하는 상기 복수의 전송 영상 패킷들을 모두 전송하는 데에 필요한 제1 전송율보다 높거나 같은 경우, 상기 전송 영상 데이터에 상응하는 상기 복수의 전송 영상 패킷들 전체를 상기 선택 영상 패킷들로서 출력하고,상기 무선 통신 네트워크의 데이터 전송율이 상기 제1 전송율보다 a(a는 100 이하의 양의 실수) 퍼센트만큼 낮은 경우, 상기 전송 영상 데이터의 복수의 픽처 그룹(Group of Pictures; GOP)들 각각에 대해, 상기 픽처 그룹에 포함되는 상기 전송 영상 패킷들 중에서 상기 중요도가 낮은 순서대로 상기 픽처 그룹의 전체 비트 수의 a 퍼센트에 해당하는 비트 수에 상응하는 전송 영상 패킷들을 제외하고 나머지 전송 영상 패킷들만을 상기 선택 영상 패킷들로서 출력하는 영상 처리 장치
|
22 |
22
데이터베이스;학습 영상 데이터에 상응하는 복수의 학습 영상 패킷들 각각의 중요도 지수를 결정하고, 상기 복수의 학습 영상 패킷들 각각의 헤더에 포함되는 복수의 헤더 정보들 중에서 두 개 이상의 헤더 정보들을 제1 헤더 정보들로서 독출하고, 상기 복수의 학습 영상 패킷들 각각의 상기 중요도 지수 및 상기 제1 헤더 정보들을 서로 연관시켜 상기 데이터베이스에 저장하는 학습 데이터 생성부;전송 영상 데이터에 상응하는 복수의 전송 영상 패킷들 각각의 헤더에 포함되는 복수의 헤더 정보들 중에서 상기 제1 헤더 정보들과 동일한 타입의 헤더 정보들을 제2 헤더 정보들로서 독출하는 헤더 정보 독출부;상기 데이터베이스에 저장된 상기 복수의 학습 영상 패킷들 각각의 상기 제1 헤더 정보들 및 상기 중요도 지수에 기초하여 상기 복수의 학습 영상 패킷들 각각의 상기 제1 헤더 정보들을 m(m은 양의 정수) 이하의 양의 정수값들 중의 하나의 값으로 분류하는 학습을 수행하여 제1 중요도 추정 모델을 생성하고, 상기 제1 중요도 추정 모델을 사용하여 상기 복수의 전송 영상 패킷들 각각의 상기 제2 헤더 정보들을 m 이하의 양의 정수값들 중의 하나의 값으로 분류하여 상기 분류된 값을 상기 복수의 전송 영상 패킷들 각각의 제1 추정 중요도로 결정하는 딥러닝(Deep Learning) 모듈;상기 데이터베이스에 저장된 상기 복수의 학습 영상 패킷들 각각의 상기 제1 헤더 정보들 및 상기 중요도 지수에 대해 로지스틱 회귀 분석(Logistic Regression)을 수행하여 제2 중요도 추정 모델을 생성하고, 상기 제2 중요도 추정 모델을 사용하여 상기 복수의 전송 영상 패킷들 각각의 상기 제2 헤더 정보들에 상응하는 0과 1사이의 실수값을 계산하여 상기 계산된 값을 상기 복수의 전송 영상 패킷들 각각의 제2 추정 중요도로 결정하는 로지스틱 회귀 분석부;상기 복수의 전송 영상 패킷들 각각의 상기 제1 추정 중요도 및 상기 제2 추정 중요도에 기초하여 상기 복수의 전송 영상 패킷들 각각의 중요도를 결정하는 중요도 결정부;무선 통신 네트워크의 데이터 전송율(data rate)에 기초하여 상기 복수의 전송 영상 패킷들 중에서 상대적으로 높은 중요도를 갖는 전송 영상 패킷들을 선택 영상 패킷들로서 출력하는 영상 패킷 선택부; 및상기 선택 영상 패킷들 각각을 복수의 단위 블록들로 나누고, 상기 복수의 단위 블록들 각각에 대해 채널 인코딩을 수행하여 상기 무선 통신 네트워크를 통해 전송하는 전송부를 포함하는 영상 전송 장치
|