-
公开(公告)号：CN113132737A
公开(公告)日：2021-07-16
申请号：CN202110431011.5
申请日：2021-04-21
Applicant: 北京邮电大学
Abstract: 本发明涉及基于泰勒解耦和记忆单元校正的视频预测方法，属于计算机视觉视频技术领域。针对具有时序相干性的自监督视频预测任务，本发明利用分而治之的思想，将视频帧在高维空间上分解为泰勒分量和残差分量，然后再分别对这两部分进行时序上的推导，最后通过融合这两部分的时序推导信息来预测未来的视频帧。其中泰勒分量只利用第一帧的信息进行时序推导，用来挖掘出复杂的视频序列动态数据中存在的物理规律，并用融合了所有之前的帧信息的记忆单元对时序推导的泰勒分量进行校正，用来模拟视频序列中的额外的变量。残差分量的时序推导用简单的3层ConvLSTM实现。实验结果表明，本发明可以有效的进行长距离的视频预测，并在不同的数据集上也有不错的泛化能力。
-
公开(公告)号：CN112465726A
公开(公告)日：2021-03-09
申请号：CN202011437884.9
申请日：2020-12-07
Applicant: 北京邮电大学
Abstract: 本发明涉及一种基于参考亮度指标指导的低照度可调节亮度增强方法，属于计算机视觉图像技术领域。第一步，通过卷积、下采样和全局平均池化等方式，对输入暗光图像和参考亮度指标进行特征提取，得到特征向量；第二步，将特征向量分解为亮度和内容特征分量，组合暗光图像的内容分量和参考亮度指标的亮度分量，实现特征重组；第三步，通过转置卷积、上采样和跳连等方式，对重组的特征向量进行重建。本发明设计合理，充分考虑了不同应用场景或用户对光照的不同需求，高效地利用并保留了图像的亮度和内容信息，另外网络复杂度较低，在取得较好亮度增强效果的同时，保持了较快的运行速度，整体在暗光图像可调节亮度增强上取得了较好的效果。
-
公开(公告)号：CN111612145A
公开(公告)日：2020-09-01
申请号：CN202010442785.3
申请日：2020-05-22
Applicant: 北京邮电大学
Abstract: 本发明针对卷积特征图存在大量的相似性这一现象，提出了SPConv，一种基于异构分离卷积核的模型压缩与加速方法。SPConv将输入特征图分为“有代表性的通道”和“冗余的通道”两部分，并利用计算量较大但是特征提取能力强的卷积核来提取“有代表性的通道”中存有的重要本质信息；而利用计算开销非常小的卷积核来提取“冗余通道”中隐藏的微小细节信息。然后二者再通过本发明设计的“无参数量的特征融合方法”进行特征融合。本发明设计的SPConv是一个即插即用的卷积模块，可以在当前网络架构中直接进行替代。在图片分类和目标检测数据数据集上的实验表明本发明保证了在参数量和浮点数计算量大幅下降的情况下，其模型性能和在GPU上的推理速度均超过了基准方法。
-
公开(公告)号：CN110210608A
公开(公告)日：2019-09-06
申请号：CN201910483957.9
申请日：2019-06-05
Applicant: 国家广播电视总局广播电视科学研究院 , 北京邮电大学
Abstract: 本发明涉及一种基于注意力机制和多层次特征融合的低照度图像增强方法，包括以下步骤：在输入端对低照度图像进行处理，输出四通道特征图；使用基于注意力机制的卷积层作为特征提取模块，用于提取基础特征作为低层特征；将低层特征与相应的高层特征和卷积层最深层次的特征融合，经过反卷积层后，获得最终特征图；输出映射将最终的特征图还原成RGB图片。本发明充分利用了深度卷积神经网络模型的多层次特征，将不同层次特征融合，并通过通道注意力机制，给予特征通道不同的权重，获得了更优的特征表示，提高了图像处理的准确率，获取了高质量图像，可广泛用于计算机低层次视觉任务技术领域。
-
公开(公告)号：CN109190752A
公开(公告)日：2019-01-11
申请号：CN201810841610.2
申请日：2018-07-27
Applicant: 国家新闻出版广电总局广播科学研究院 , 北京邮电大学
Abstract: 本发明涉及一种基于深度学习的全局特征和局部特征的图像语义分割方法，包括以下步骤：在编码端，使用基于深度学习卷积神经网络模型提取图像的基础深度特征，同时根据卷积层的深度将特征分为低层特征和高层特征；应用特征融合模块将低层特征和高层特征融合成增强型的深度特征；在获取深度特征后，将其输入到解码端；以交叉熵损失函数为目标训练网络，使用mIoU评价网络性能。本发明设计合理，其使用深度卷积神经网络模型提取图像的全局和局部特征，充分利用了全局特征和局部特征的互补性，并且利用了堆叠池化层进一步提高性能，有效地提高了图像语义分割地准确率。
-
Patent Agency Ranking
公开(公告)号：CN107886117A
公开(公告)日：2018-04-06
申请号：CN201711038002.X
申请日：2017-10-30
Applicant: 国家新闻出版广电总局广播科学研究院 , 北京邮电大学
CPC classification number: G06K9/6267 , G06K9/3233 , G06K9/342 , G06K9/6288 , G06K2209/21
Abstract: 本发明涉及一种基于多特征提取和多任务融合的目标检测算法，其技术特点是：基于深度学习卷积神经网络架构提取图像特征，提取多层卷积输出结果形成多特征图，在多特征图上提取不同可视野的目标感兴趣区域并进行特征连接；对原图实现语义分割提取目标分割区域结果，并将目标检测结果和目标分割结果在全连接层中通过一定的比例系数进行多任务交叉辅助目标检测；上述结果通过最后的全连接层后，通过组合分类定位损失函数对图像特征进行分类和回归定位，得到最终目标检测的结果。本发明通过深度学习卷积神经网络提取特征、对图像特征进行多组多层融合连接及组合损失函数实现了高精度的目标检测定位和分类，获得了良好的目标检测结果。
-
公开(公告)号：CN107590489A
公开(公告)日：2018-01-16
申请号：CN201710899578.9
申请日：2017-09-28
Applicant: 国家新闻出版广电总局广播科学研究院 , 北京邮电大学
Abstract: 本发明涉及一种基于级联卷积神经网络的目标检测方法，其主要技术特点是：利用卷积神经网络提取图像特征，并使用区域候选网络生成一定数量的目标候选框；使用优化网络对候选框进行优化；将优化后的目标候选框输入含多分类器的检测网络中，产生初步的检测结果；利用二值分类器对每一类目标进行再检测，排除错误目标得到最终精确的检测结果。本发明利用深度卷积网络对目标的强大的表示能力，构建了用于目标检测的级联卷积神经网络，提出了一种新的优化目标候选框的方法和排除错误检测样本的策略，提高了算法的检测精度，能够获得了良好的目标检测结果。
-
公开(公告)号：CN107563381A
公开(公告)日：2018-01-09
申请号：CN201710816619.3
申请日：2017-09-12
Applicant: 国家新闻出版广电总局广播科学研究院 , 北京邮电大学
Abstract: 本发明设计了一种基于全卷积网络的多特征融合的目标检测方法，其主要技术特点是：搭建具有六个卷积层组的全卷积神经网络；利用卷积神经网络的前五组卷积层提取图像特征，并将其输出进行融合，形成融合特征图；对融合后的特征图进行卷积处理，直接产生固定数目的不同大小的目标边框；计算卷积神经网络生成的目标边框与真实边框之间的分类误差与定位误差，利用随机梯度下降法降低训练误差，得到最终训练模型的参数，最后进行测试得到目标检测结果。本发明利用了深度卷积网络对目标的强大的表示能力，构建了用于目标检测的全卷积神经网络，提出了新的融合特征方法，提高了算法的检测速度和精度，获得了良好的目标检测结果。
-
公开(公告)号：CN107240122A
公开(公告)日：2017-10-10
申请号：CN201710450319.8
申请日：2017-06-15
Applicant: 国家新闻出版广电总局广播科学研究院 , 北京邮电大学
CPC classification number: G06T7/246 , G06T7/262 , G06T2207/10016 , G06T2207/20056 , G06T2207/20081
Abstract: 本发明涉及一种基于时空连续相关滤波的视频目标跟踪方法，其主要技术特点是：构造并计算损失函数；对输入帧进行深度卷积特征提取，利用深度卷积网络的第3～5层特征信息估计当前帧中目标的位置；根据每层估计的目标位置的准确度分配不同权重，将三层目标位置加权求和得到当前帧目标的最终位置；根据之前所有帧的估计结果更新模板。本发明结合了判别相关滤波器、深度学习技术，其利用多层特征进行目标位置估计，并根据之前所有帧的位置信息连续更新学习率，增加了整体算法的跟踪精度，提高了跟踪结果的稳定性，获得了很好的目标跟踪效果。
-
公开(公告)号：CN106713136A
公开(公告)日：2017-05-24
申请号：CN201611056675.3
申请日：2016-11-25
Applicant: 北京邮电大学
IPC: H04L12/715 , H04L12/733
Abstract: 本发明提供一种基于堆结构扩张软件定义网络的方法，所述方法包括：步骤1，将网络系统中的数据层抽象为多层次的斐波那契堆结构；步骤2，在所述得到的多层次斐波那契堆中依照自上而下顺序，利用双权重扩展Dijkstra路由算法解析得到最短路由路径。本申请有效的化简了软件定义网络的扩展过程，并结合堆结构改良了网络中的最短路由算法，同时有效的降低了各节点运算设备的负担。
-
-
-
-
-
-
-
-
-
Search Results
119
records
(took 0.047 seconds)
