-
公开(公告)号：CN108846475B
公开(公告)日：2021-10-26
申请号：CN201810542036.0
申请日：2018-05-30
Applicant: 华侨大学
IPC: G06N3/04
Abstract: 本发明涉及一种应用于目标检测、目标分类或目标识别系统的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：CN108447059B
公开(公告)日：2021-06-29
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。
-
公开(公告)号：CN113038126A
公开(公告)日：2021-06-25
申请号：CN202110261181.3
申请日：2021-03-10
Applicant: 华侨大学
IPC: H04N19/122 , H04N19/124 , H04N19/13 , H04N19/184 , H04N19/42 , H04N19/625 , G06N3/04 , H04N7/01
Abstract: 基于帧预测神经网络的多描述视频编码方法和解码方法，本发明在编码端将源视频采用时间下采样的方法分为奇数帧和偶数帧，分别将奇数帧和偶数帧组成两个新的序列，通过HEVC编码器进行编码。针对时间下采样所导致的帧丢失问题，采用帧预测神经网络来分别预测对应序列中所丢失的帧。将预测帧与对应序列的已编码视频帧相减获得残差信息，与当前序列已编码信息组成一个描述。将两个描述的码流打包分别通过不同的信道传输到解码端。本发明方法构成的多描述视频编码使码流具有一定的差错恢复能力，解码端可充分利用描述间的相关信息保证解码端在不可靠网络传输下的高质量视频重建。
-
公开(公告)号：CN112365559A
公开(公告)日：2021-02-12
申请号：CN202011305117.2
申请日：2020-11-19
Applicant: 华侨大学
Abstract: 本发明涉及一种基于结构相似度的生成对抗网络的红外图像着色方法，构造一个基于结构相似度的生成对抗网络，包括生成器和鉴别器；鉴别器能够区别图像是来自红外图像域或是来自彩色图像域，对生成器采用基于生成对抗网络的损失函数、基于一范或二范的循环一致损失函数和重构损失函数、基于结构相似度的损失函数，使生成器能够生成色彩逼真且边缘清晰的彩色图像；利用预先采集的红外图像和彩色图像将所提出的基于结构相似度的生成对抗网络训练到收敛条件，所获得的生成器即可实现对红外图像的着色。本发明不仅能保留红外成像在夜间拍摄的优势，也能利于人眼能够更好更快的捕捉到图像中的有用信息，充分发挥图像价值，从而促进夜视成像技术的发展。
-
公开(公告)号：CN109756719B
公开(公告)日：2020-06-26
申请号：CN201910080870.7
申请日：2019-01-28
Applicant: 华侨大学
IPC: H04N13/122 , H04N13/128 , H04N13/161 , H04N19/149 , H04N19/147 , H04N19/159 , H04N19/169 , H04N19/96
Abstract: 本发明涉及一种基于CU划分贝叶斯决策的3D‑HEVC帧间快速方法，属于视频编码领域；本方法首先对纹理图视频和深度图视频的编码单元(CU)划分的率失真代价(RDcost)和不划分的率失真代价(RDcost)进行高斯建模；然后通过离线训练计算先验概率；最后采用贝叶斯决策对当前编码单元(CU)划分与不划分计算后验概率，判断当前编码单元是否为最佳单元。本发明一种基于CU划分贝叶斯决策的3D‑HEVC帧间快速方法能够减少编码器计算开销，在保持编码性能基本不变的情况下，减少编码时间。
-
Patent Agency Ranking
公开(公告)号：CN107105297B
公开(公告)日：2019-08-30
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：CN109756719A
公开(公告)日：2019-05-14
申请号：CN201910080870.7
申请日：2019-01-28
Applicant: 华侨大学
IPC: H04N13/122 , H04N13/128 , H04N13/161 , H04N19/149 , H04N19/147 , H04N19/159 , H04N19/169 , H04N19/96
Abstract: 本发明涉及一种基于CU划分贝叶斯决策的3D-HEVC帧间快速方法，属于视频编码领域；本方法首先对纹理图视频和深度图视频的编码单元(CU)划分的率失真代价(RDcost)和不划分的率失真代价(RDcost)进行高斯建模；然后通过离线训练计算先验概率；最后采用贝叶斯决策对当前编码单元(CU)划分与不划分计算后验概率，判断当前编码单元是否为最佳单元。本发明一种基于CU划分贝叶斯决策的3D-HEVC帧间快速方法能够减少编码器计算开销，在保持编码性能基本不变的情况下，减少编码时间。
-
公开(公告)号：CN106504230B
公开(公告)日：2019-02-26
申请号：CN201610886339.5
申请日：2016-10-11
Applicant: 华侨大学
IPC: G06T7/00
Abstract: 本发明涉及一种基于相位一致性的全参考彩色屏幕图像质量评估方法，属于图像处理领域，根据人类视觉系统理解图像时对结构信息的依赖性和屏幕图像包含丰富边缘结构信息的特征提出，方法包括：对参考屏幕图像和失真屏幕图像从RGB色彩空间转化为CIELAB对色空间；分别提取参考屏幕图像亮度分量和失真屏幕图像亮度分量的相位一致性特征图；结合相位一致性、黄蓝对比色度分量和红绿对比色度分量计算局部图像质量图；将局部图像质量图的标准差作为最终屏幕图像质量值。本发明充分利用相位一致性和色度分量的相似性来评估彩色失真屏幕图像的质量，反映人眼主观视觉系统对于屏幕图像的主观感知度，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：CN109166160A
公开(公告)日：2019-01-08
申请号：CN201811082243.9
申请日：2018-09-17
Applicant: 华侨大学
IPC: G06T9/00
Abstract: 本发明公开了一种采用图形预测的三维点云压缩方法，属于视频编码领域，方法包括：采用KD树对输入三维点云进行自适应分块；采用KNN算法计算编码单元内每个点的K邻近点；构建每个单元块的图并计算图形平移算子；对每个编码单元的块进行去均值，采用K-means算法对编码单元进行自适应采样，通过求解优化问题对未采样点进行预测；利用基于KD树的块均值预测算法对每个编码单元块的均值进行预测编码；最后用算术编码器对所有量化的参数和残差进行熵编码。本发明采用图形预测，能够对庞大的三维点云数据进行有效压缩，极大地改善三维点云的传输和存储效率。
-
公开(公告)号：CN108737840A
公开(公告)日：2018-11-02
申请号：CN201810525043.X
申请日：2018-05-28
Applicant: 华侨大学
IPC: H04N19/593 , H04N13/161 , H04N13/128 , H04N13/106
Abstract: 本发明涉及一种基于深度图纹理特性的3D-HEVC帧内快速编码方法，方案简单可行，只需要在编码时利用灰度共生矩阵的特征值进行计算，并对相邻块模式进行获取，没有引入过多的额外计算复杂度。本发明充分利用了深度图纹理特征和预测模式之间的相关性：预测模式与深度纹理特征之间有着一定的相关性，某些预测模式只对具有特定纹理才具有较好的编码效果，本发明则充分利用了这一相关性。
-
-
-
-
-
-
-
-
-
Search Results
108
records
(took 0.021 seconds)
