公开(公告)号：CN118803243A

公开(公告)日：2024-10-18

申请号：CN202310403682.X

申请日：2023-04-14

Applicant: 中国电信股份有限公司

Inventor： 王慧芬 ,  陆恩民 ,  薛俊达 ,  张园 ,  杨明川

IPC: H04N19/137 ,  H04N19/503 ,  H04N19/51

Abstract: 本公开提供了一种基于帧差的视频处理方法及装置、存储介质及电子设备，涉及数据通信中信号编码技术领域。该方法包括，基于预设的滑动窗口，将视频序列中的视频帧数据划分为多个子段，其中，预设的滑动窗口基于帧差确定；对每个子段进行过滤，确定多个运动平滑子段；对两两运动平滑子段判断是否满足预设第一条件，将满足预设第一条件的两两运动平滑子段合并。本公开通过处理区分出视频中的运动平滑子段，可对平滑子段和非平滑子段分别编码，提高编码效率。

公开(公告)号：CN118803241A

公开(公告)日：2024-10-18

申请号：CN202310403858.1

申请日：2023-04-14

Applicant: 中国电信股份有限公司

Inventor： 陆恩民 ,  王慧芬 ,  薛俊达 ,  张园

IPC: H04N19/132 ,  H04N19/587 ,  H04N19/136 ,  G06V10/774 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/08

Abstract: 本公开提供了一种时域上采样模型训练、解码方法、装置、设备及存储介质，涉及视频编解码技术领域。时域上采样模型训练方法包括：获取第一重构序列和第一视频，第一重构序列由第一视频经时域下采样、编码及解码处理得到；获取初始时域上采样模型和第一特征提取网络；根据初始时域上采样模型对第一重构序列进行上采样，得到第二视频；根据第一特征提取网络，分别对第一视频和第二视频进行特征提取，得到第一特征数据和第二特征数据；确定第一特征数据和第二特征数据之间的第一损失值；根据第一损失值对初始时域上采样模型进行训练，得到目标时域上采样模型。通过上述训练方式得到的目标时域上采样模型可以更好地满足视觉任务的需求。

公开(公告)号：CN117857817A

公开(公告)日：2024-04-09

申请号：CN202211210951.2

申请日：2022-09-30

Applicant: 中国电信股份有限公司

Inventor： 王慧芬 ,  薛俊达 ,  张园 ,  杨明川 ,  王泽琨

IPC: H04N19/587 ,  H04N19/85

Abstract: 本公开提供了一种面向机器视觉的视频数据处理方法及相关设备，涉及机器视觉数据通信中信号处理技术领域。该方法包括：获取待处理视频数据的多个参考帧图像；对多个参考帧图像进行目标检测，得到多个参考帧图像中每个参考帧图像的检测目标信息；根据多个检测目标信息，确定待处理视频的抽帧比例值；基于抽帧比例值，处理待处理视频数据。根据本公开实施例，能够在确保目标被抽出的情况下，降低数据量，进而降低数据传输处理所需的时长，提高视觉任务的性能。

公开(公告)号：CN117853740A

公开(公告)日：2024-04-09

申请号：CN202211198854.6

申请日：2022-09-29

Applicant: 中国电信股份有限公司

Inventor： 王慧芬 ,  薛俊达 ,  张园 ,  杨明川 ,  史敏锐

IPC: G06V10/44 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/08

Abstract: 本公开涉及特征图处理方法及装置、计算机可存储介质，涉及图像处理领域。特征图处理方法包括：根据第一卷积核的锚点当前时刻在特征图中的位置，确定第一卷积核的锚点下一个时刻在特征图中的位置；根据第一卷积核的锚点已经经过的位置，确定至少一个第二卷积核的锚点下一个时刻在特征图中的位置；在下一个时刻，利用第一卷积核和第二卷积核，分别对相应的特征图区域同时进行卷积。根据本公开，提高了特征图处理的速度。

公开(公告)号：CN115601239A

公开(公告)日：2023-01-13

申请号：CN202211301236.X

申请日：2022-10-24

Applicant: 中国电信股份有限公司(CN)

Inventor： 王慧芬 ,  张园 ,  杨明川 ,  薛俊达 ,  史敏锐

IPC: G06T3/40 ,  G06N3/04 ,  G06N3/08

Abstract: 本公开涉及超分辨率模型的训练方法及装置、计算机可存储介质，涉及人工智能领域。超分辨率模型的训练方法包括利用卷积下采样子模型，根据第一训练数据，生成第一下采样结果；利用第一机器视觉模型，生成第一机器视觉模型的第一输出结果；根据第一超分辨率结果和第一机器视觉模型的第一输出结果，训练卷积下采样子模型；利用神经网络超分辨率子模型，生成第二超分辨率结果；利用第二机器视觉模型，根据第二超分辨率结果，生成第二机器视觉模型的第二输出结果；根据第二超分辨率结果和第二机器视觉模型的第二输出结果，训练神经网络超分辨率子模型。根据本公开，实现超分辨率模型满足机器视觉任务需求。