-
公开(公告)号：CN110545429B
公开(公告)日：2021-08-31
申请号：CN201910914970.5
申请日：2019-09-26
Applicant: 福州大学
IPC: H04N19/14 , H04N19/147 , H04N19/176 , H04N19/119 , H04N19/177
Abstract: 本发明涉及一种基于全景视频纬度特性的复杂度优化方法及设备，首先通过实验测得全景视频经过投影之后，在相同复杂度变化下的两侧纬度区域的率失真损失低于中间纬度区域的率失真损失；然后通过分析当前纬度区域的复杂度改变对剩余纬度区域以及整帧的率失真损失影响，建立纬度与率失真的关系，并且基于此模型提出了帧内复杂度分配的方案；最后，将帧内复杂度分配方法与已有的帧间复杂度分配方法相结合，形成一种基于全景视频纬度特性的复杂度优化方法。本发明能够有效降低全景视频编码过程中的复杂度和编码时间。
-
公开(公告)号：CN108055154B
公开(公告)日：2020-11-03
申请号：CN201711347035.2
申请日：2017-12-15
Applicant: 福州大学
Abstract: 本发明涉及一种基于雾运算结构的车联网异常数据检测系统及方法，该系统包括：数据感知单元、雾运算单元以及中心服务器单元。通过数据感知单元获取交通数据，并将这些数据进而交由雾运算单元进行处理。雾运算单元进行基于核密度估计的异常数据初步检测，并将结果上传至中心服务器单元。中心服务器单元对雾运算单元的检测结果进行汇总，根据结果不断调整核密度模型并下发给雾运算单元，以保证检测结果的准确。本发明所提出的一种基于雾运算结构的车联网异常数据检测系统及方法，能够充分利用智能终端广泛分布的特性及日益增强计算能力，删除交通数据采集过程中出现的异常数据，保证数据质量，提高后续车联网决策的准确性。
-
公开(公告)号：CN111277899A
公开(公告)日：2020-06-12
申请号：CN202010098992.1
申请日：2020-02-18
Applicant: 福州大学
IPC: H04N21/442 , H04N21/475
Abstract: 本发明涉及一种基于短期记忆和用户期望的视频质量评价方法，通过主观实验，获取短期记忆形成的不同时长以及由于短期记忆后产生的用户期望对视频体验数据。最后通过数据分析及数学建模，来获取记忆形成时长和用户期望对视频体验质量的评价模型。本发明考虑了短期记忆和用户期望与视频质量的影响，能够获取更精准的视频质量评价。
-
公开(公告)号：CN107749984B
公开(公告)日：2019-12-17
申请号：CN201710997433.2
申请日：2017-10-24
Applicant: 福州大学
IPC: H04N19/103 , H04N19/14 , H04N19/147 , H04N19/159
Abstract: 本发明涉及一种基于模式映射的多视点视频编码复杂度控制方法，目的在于解决在控制编码复杂度的前提下，实现编码率失真代价最小的问题。本发明通过获取多视点间和视点内的率失真依赖关系，构建多视点的率失真依赖模型；基于多视点编码总体率失真代价最小的原则，实现计算复杂度的分配方案，给各个视点和各视频帧分配最佳复杂度；提出基于代价函数的模式预测和模式选择算法，实现在控制编码复杂度的情况下，最佳编码质量的目的。本发明提出的一种基于模式映射的多视点视频编码复杂度控制方法，在控制编码复杂度的前提下，达到了编码率失真代价最小的效果。
-
公开(公告)号：CN108055154A
公开(公告)日：2018-05-18
申请号：CN201711347035.2
申请日：2017-12-15
Applicant: 福州大学
CPC classification number: H04L41/0631 , H04L41/142 , H04L41/145 , H04W24/06
Abstract: 本发明涉及一种基于雾运算结构的车联网异常数据检测系统及方法，该系统包括：数据感知单元、雾运算单元以及中心服务器单元。通过数据感知单元获取交通数据，并将这些数据进而交由雾运算单元进行处理。雾运算单元进行基于核密度估计的异常数据初步检测，并将结果上传至中心服务器单元。中心服务器单元对雾运算单元的检测结果进行汇总，根据结果不断调整核密度模型并下发给雾运算单元，以保证检测结果的准确。本发明所提出的一种基于雾运算结构的车联网异常数据检测系统及方法，能够充分利用智能终端广泛分布的特性及日益增强计算能力，删除交通数据采集过程中出现的异常数据，保证数据质量，提高后续车联网决策的准确性。
-
Patent Agency Ranking
公开(公告)号：CN107230351A
公开(公告)日：2017-10-03
申请号：CN201710585474.0
申请日：2017-07-18
Applicant: 福州大学
CPC classification number: G08G1/0125 , G06N3/0454 , G06N3/084 , G06Q10/04 , G06Q50/26
Abstract: 本发明公开一种基于深度学习方法的短时交通流预测方法。同时考虑预测点临近点交通流量变化、预测点的时间特性及其周期特性对预测点交通流的影响，获取短时交通流的预测值。本发明将卷积神经网络（Convolutional Neural Network）和长短期记忆（LSTM）递归神经网络相结合，构造一种Conv‑LSTM深度神经网络模型；且采用双向LSTM模型对该点以往的交通流历史数据进行分析，提取其周期性特征，最后将所分析出的交通流趋势和周期性特征融合，以实现交通流的预测；本发明方法克服了现有方法不能充分利用时空特征的不足，充分提取交通流时间和空间特征的同时融合了交通流数据的周期性特征，从而有效提升了短时交通流预测结果的准确性。
-
公开(公告)号：CN112714322B
公开(公告)日：2023-08-01
申请号：CN202011575272.6
申请日：2020-12-28
Applicant: 福州大学
Abstract: 本发明涉及一种面向游戏视频的帧间参考优化方法，包括以下步骤:步骤S1：构建背景建模分类模型，背景检测匹配模型；步骤S2:在编码器预测编码前预测其背景是否已建模并检测匹配出相似建模背景；步骤S3：在预测编码时，利用匹配出的相似建模背景进行帧间编码的参考帧优化；步骤S4：预测编码结束后，获取当前帧的编码信息，作为后续帧预测是否需要优化的输入，并输出编码帧；步骤S5：更新背景建模与分类模型，预测该背景是否可能复现，若为可能复现的帧则进行更新建模、分类；步骤S6：对每一帧的编码都重复步骤S2‑S5直至所有帧编码结束；步骤S7：将所有编码帧输出为完整的视频码流。本发明利用游戏视频的复现性质对编码码率进行压缩，改善编码的性能。
-
公开(公告)号：CN111757129B
公开(公告)日：2023-07-07
申请号：CN202010645425.3
申请日：2020-07-07
Applicant: 福州大学
IPC: H04N19/96 , H04N19/124 , H04N19/176
Abstract: 本发明涉及一种面向VVC的快速帧内预测方法，包括以下步骤：步骤S1：构建HAD代价预测模型，预测每种预测模式的HAD代价，按从小到大的排序，并选择前若干个HAD代价的模式初始化CU候选模式列表；步骤S2:通过统计分析候选模式成为最佳模式的概率，优化CU候选模式列表；步骤S3:基于贝叶斯定理，在每个CU深度级别执行CU划分的提前终止，进一步进行VVC的下一步编码流程，从而加快编码时间。本发明实现在保证视频质量的前提下，有效地加快了视频的编码时间。
-
公开(公告)号：CN115660947A
公开(公告)日：2023-01-31
申请号：CN202211343697.3
申请日：2022-10-31
Applicant: 福州大学至诚学院
IPC: G06T3/00 , G06T7/194 , G06V10/74 , G06V20/70 , G06N3/0455 , G06N3/0475 , G06N3/08
Abstract: 本发明提出一种基于隐码编辑的发型属性迁移方法及系统，包括以下步骤：步骤S1：将输入的包含发型和/或发色的图像转换到StyleGAN的隐空间，得到输入图像的隐码；步骤S2：根据输入图像的语义分割图编辑隐码，获取对齐输入图像语义分割图的隐码；步骤S3：通过对齐的隐码和语义分割图融合得到目标隐码；步骤S4：调用生成模型，将目标隐码重建得到目标图像。
-
公开(公告)号：CN111711815B
公开(公告)日：2021-09-28
申请号：CN202010618890.8
申请日：2020-06-30
Applicant: 福州大学
IPC: H04N19/124 , H04N19/593 , G06N3/04 , G06N20/20
Abstract: 本发明涉及一种基于集成学习和概率模型的快速VVC帧内预测方法，包括以下步骤：步骤S1：基于集成学习并利用视频序列的时空域相关性，预测得到不同编码单元的深度信息；步骤S2:使用时空域相邻已编码CU的划分模式对未编码CU的划分模式进行预测,并按概率大小排序得到划分模式排序表；步骤S3:根据得到的不同编码单元的深度信息和划分模式排序表，提前终止CU的划分。本发明在保证视频质量的前提下，有效地节省了视频编码时间，用于目前主流的高清、超高清视频编码时，优势更加明显。
-
-
-
-
-
-
-
-
-
Search Results
59
records
(took 0.019 seconds)
