-
公开(公告)号：CN108875906B
公开(公告)日：2019-06-04
申请号：CN201810359791.5
申请日：2018-04-20
Applicant: 华侨大学
Abstract: 本发明涉及一种多尺度逐步累加的卷积神经网络学习方法，可广泛应用于机器视觉和人工智能领域，例如目标检测、目标分类、目标识别等。首先，本发明采用均值池化操作对输入图像构建多尺度图像金字塔；然后，将各个不同尺度的图像逐步送入卷积神经网络，让卷积神经网络随着网络深度的逐步深入，能够在多种不同尺度的图像上进行学习并进行特征逐步累加，从提高了而卷积神经网络的特征学习能力。
-
公开(公告)号：CN109525847A
公开(公告)日：2019-03-26
申请号：CN201811345416.1
申请日：2018-11-13
Applicant: 华侨大学
IPC: H04N19/625 , H04N19/176 , H04N19/137 , H04N19/14
Abstract: 本发明涉及一种恰可察觉失真模型阈值计算方法，其包括：对原始图像进行DCT变换，计算相应的亮度自适应模块值和空间对比敏感度函数模块值；利用8×8DCT块的频率能量分布特点，对图像的纹理块进行更为细致的分类，获取对比度掩蔽因子，计算出对比度掩蔽模块值；利用DCT系数的空间频率分布提取出当前图像块的纹理特征，计算两个不同块之间的纹理差异，得到不同块的视觉感知调整因子；整合上述模块，得到最终的JND阈值。本发明所提的算法，在保证视觉质量的前提下，所提JND模型能容纳更多的噪声。该模型可广泛用于感知图像/视频编码、水印以及质量评价等。
-
公开(公告)号：CN108875754A
公开(公告)日：2018-11-23
申请号：CN201810426492.9
申请日：2018-05-07
Applicant: 华侨大学
Abstract: 本发明涉及一种基于多深度特征融合的车辆再识别方法，包括：提取训练车辆图像的深度ID特征，提取训练车辆图像的深度颜色特征，提取训练车辆图像的深度车型特征，将提取的三种深度特征进行组合，获得融合特征，通过Softmax分类函数对融合后的深度特征进行分类。本发明对输入的车辆图像提取深度ID特征、深度颜色特征和深度车型特征并进行有效地融合，实现三种深度特征的互补，获得更有表征能力的融合特征，从而实现准确的车辆再识别。
-
公开(公告)号：CN108846475A
公开(公告)日：2018-11-20
申请号：CN201810542036.0
申请日：2018-05-30
Applicant: 华侨大学
IPC: G06N3/04
Abstract: 本发明涉及一种分段密集连接型深度网络构建方法，首先把深度网络中各串连续连接的卷积层划分为多个小段；其次，对每个小段内的卷积层进行密集连接，即段内密集连接；然后，对每个小段进行密集连接，即段间密集连接，从而实现了对连续连接的卷积层的分段密集连接。最后，在各串连续连接的卷积层之间配合上最大池化层，并在最后的最大池化层之后配上全连接层，就完成了分段密集连接型深度网络的构建。借助分段密集连接的机制，一方面有利于训练更深的深度网络，进而有利提升深度网络的特征学习能力；另一方面，由于分段划分，各个小段内只包含少数卷积层，能够有效地避免因密集连接所带来的庞大计算量。
-
公开(公告)号：CN108447059A
公开(公告)日：2018-08-24
申请号：CN201810311096.1
申请日：2018-04-09
Applicant: 华侨大学
IPC: G06T7/00
Abstract: 本发明提出一种全参考光场图像质量评价方法。考虑到人眼视觉特性对结构、对比度等较为敏感，在频域里，利用哈尔变换提取高频边缘信息和低频亮度信息，计算频域边缘相似性和亮度相似性；在空域里，提取图像对比度结构特征和亮度特征，分别计算空域对比度结构相似性和亮度相似性；最后将频域和空域信息进行融合得到最终光场图像质量预测分数。该方法计算简单，复杂度低，能很好的评价光场图像质量分数。
-
Patent Agency Ranking
公开(公告)号：CN107507166A
公开(公告)日：2017-12-22
申请号：CN201710600174.5
申请日：2017-07-21
Applicant: 华侨大学
CPC classification number: G06T7/0004 , G06K9/4647 , G06K9/6269 , G06T2207/30168
Abstract: 本发明涉及一种基于支持向量回归的无参考屏幕图像质量评估方法，计算方向梯度直方图，作为失真屏幕图像的特征信息，利用支持向量回归(SVR)网络进行训练，得到屏幕图像特征信息与主观质量分数的映射关系模型，以准确评估屏幕图像质量。本发明所述的方法无需参考屏幕图像，计算得到的客观分数与人眼视觉感知具有较高的一致性，且其计算简单。
-
公开(公告)号：CN107105297A
公开(公告)日：2017-08-29
申请号：CN201710357483.4
申请日：2017-05-19
Applicant: 华侨大学
IPC: H04N19/597 , H04N19/176 , H04N19/109 , H04N19/59
Abstract: 本发明公开了一种针对3D‑HEVC深度图帧内预测编码的快速优化方法，包括：对当前编码块CU计算其像素方差以及对角像素差的绝对值之和，根据当前编码块的方差以及对角像素差值的绝对值之和设定阈值，通过阈值比较，判定是否提前终止当前CU的深度划分；根据当前预测块PU外圈像素差的绝对值之和，设定阈值，通过阈值比较当前预测块PU是否属于平滑类型，从而跳过SDC编码，进一步降低计算复杂度。本发明能够在保持3D‑HEVC编码效率的前提下，有效地降低深度图帧内预测编码计算复杂度。
-
公开(公告)号：CN106960176A
公开(公告)日：2017-07-18
申请号：CN201710096262.6
申请日：2017-02-22
Applicant: 华侨大学
Abstract: 本发明一种基于超限学习机和颜色特征融合的行人性别识别方法，包括：提取未标记性别属性的训练图像的超限学习机特征；提取未标记性别属性的输入训练图像HSV颜色特征，将超限学习机特征与颜色特征进行组合，获得融合特征，根据融合特征和训练图像标签利用线性支持向量机SVM训练行人性别分类器；利用训练所得模型提取测试图像特征，同时提取其HSV颜色特征，接着将两类特征进行融合，获得测试图像的融合特征，用训练过程所得线性支持向量机SVM行人性别分类器对融合特征进行分类。本发明对输入图像提取超限学习特征与颜色特征并进行有效融合，实现两种特征的互补，更有效地捕捉行人性别属性，从而提高行人性别识别率。
-
公开(公告)号：CN106780452A
公开(公告)日：2017-05-31
申请号：CN201611114594.4
申请日：2016-12-07
Applicant: 华侨大学
CPC classification number: G06T7/0002 , G06T2207/20164 , G06T2207/30168
Abstract: 本发明涉及一种结合小波和角点特征的全参考屏幕图像质量评估方法。该方法首先分别提取参考屏幕图像和失真屏幕图像的角点特征相似性图，并以小波变换系数幅值来权衡参考屏幕图像的视觉敏感度，基于该视觉敏感度对角点特征相似性图进行加权融合，从而计算得到失真屏幕图像质量分数。本发明充分利用了角点特征对于图像局部结构的描述能力且考虑到了人眼视觉感知对屏幕图像中不同区域的视觉敏感程度不同，具有较好的屏幕图像质量评估性能，且计算简单。
-
公开(公告)号：CN103366187B
公开(公告)日：2016-12-28
申请号：CN201310279042.9
申请日：2013-07-04
Applicant: 华侨大学
Abstract: 本发明提出一种基于四点二元模型的图像纹理特征值的提取方法，首先计算2x2像素块内四个像素点像素值的均值；其次计算每个像素点与均值的差值，若差值大于等于一给定阈值，就置该像素块的位置编码值为1，否则为0；最后将四个像素块的位置编码值乘以相对应的权重后，再将4个乘积求和，就得到该2x2像素块的纹理特征值，本发明只需要计算四个像素点与其均值的差值，得到4bit的二进制码，计算量减少一半且复杂度低，且能有效地表示人脸的局部纹理信息，可应用于人脸检测、识别和目标跟踪系统。
-
-
-
-
-
-
-
-
-
Search Results
108
records
(took 0.043 seconds)
