-
公开(公告)号：CN109815911B
公开(公告)日：2020-11-03
申请号：CN201910078362.5
申请日：2019-01-26
Applicant: 上海交通大学
Abstract: 本发明提供过了一种基于深度融合网络的视频运动物体检测系统，包括：视频特征提取模块，接收视频序列输入，对视频内容进行特征提取，得到视频中关于场景信息的特征表达，即视频场景特征表达，并发送至深度融合模块；基础结果检测模块，接收视频序列输入，利用基础检测子对运动物体进行检测，得到相应的基础检测结果，并发送至深度融合模块；深度融合模块，接收视频场景特征表达和基础检测结果，利用深度神经网络进行最优融合，输出最终的检测结果。同时提供了一种视频运动物体检测方法、终端。本发明能够取得高准确度的检测结果。
-
公开(公告)号：CN106170089B
公开(公告)日：2020-05-22
申请号：CN201610729053.6
申请日：2016-08-25
Applicant: 上海交通大学
IPC: H04N19/147 , H04N19/103 , H04N19/124
Abstract: 本发明公开了一种基于H.265的多路编码系统及方法，该系统包括主编码器模块、从编码器模块，主编码器模块，与多个从编码器模块连接，将编码信息共享给从编码器模块，从编码器模块，利用共享信息，对编码过程加速，主编码器模块和从编码器模块均对同一个输入视频数据进行压缩编码，采用不同的码率控制参数，同时输出不同质量的码流。本发明复用了一路主编码器的最优编码模式，加速了多路从编码器的编码过程，实现了在不降低编码质量的前提下，快速进行多路视频编码；本发明对1920×1080分辨率的高清视频进行多路编码，在28核的Intel(R)Xeon(R)CPU E5‑2697v3@2.60GHz工作站上运行，比相同编码参数配置情况下的多次编码节省了44.68％的编码时间，同时性能没有下降。
-
公开(公告)号：CN109996071B
公开(公告)日：2020-03-27
申请号：CN201910240535.9
申请日：2019-03-27
Applicant: 上海交通大学
IPC: H04N19/124 , H04N19/13 , H04N19/147
Abstract: 本发明公开了一种基于深度学习的可变码率图像编码系统及方法，包括：正向多尺度分解变换网络模块，将输入原始图像分解为多个尺度的图像特征；量化模块，将图像特征量化成整数；自适应码率分配模块，根据给定的目标码率对量化成整数的图像特征进行块级别的码率分配；熵编解码模块，将进行码率分配后的图像特征编码为二进制码流；同时提供了一种可变码率图像解码系统及方法，用于解码上述编码系统及方法形成的编码。本发明使用深度卷积神经网络构建正反多尺度分解变换，利用大量数据进行训练得到最优模型参数，结合基于图像复杂度的自适应码率分配方法，在实际应用中可实现可变码率图像编解码。
-
Patent Agency Ranking
公开(公告)号：CN109815911A
公开(公告)日：2019-05-28
申请号：CN201910078362.5
申请日：2019-01-26
Applicant: 上海交通大学
Abstract: 本发明提供过了一种基于深度融合网络的视频运动物体检测系统，包括：视频特征提取模块，接收视频序列输入，对视频内容进行特征提取，得到视频中关于场景信息的特征表达，即视频场景特征表达，并发送至深度融合模块；基础结果检测模块，接收视频序列输入，利用基础检测子对运动物体进行检测，得到相应的基础检测结果，并发送至深度融合模块；深度融合模块，接收视频场景特征表达和基础检测结果，利用深度神经网络进行最优融合，输出最终的检测结果。同时提供了一种视频运动物体检测方法、终端。本发明能够取得高准确度的检测结果。
-
公开(公告)号：CN106170089A
公开(公告)日：2016-11-30
申请号：CN201610729053.6
申请日：2016-08-25
Applicant: 上海交通大学
IPC: H04N19/147 , H04N19/103 , H04N19/124
Abstract: 本发明公开了一种基于H.265的多路编码系统及方法，该系统包括主编码器模块、从编码器模块，主编码器模块，与多个从编码器模块连接，将编码信息共享给从编码器模块，从编码器模块，利用共享信息，对编码过程加速，主编码器模块和从编码器模块均对同一个输入视频数据进行压缩编码，采用不同的码率控制参数，同时输出不同质量的码流。本发明复用了一路主编码器的最优编码模式，加速了多路从编码器的编码过程，实现了在不降低编码质量的前提下，快速进行多路视频编码；本发明对1920×1080分辨率的高清视频进行多路编码，在28核的Intel(R)Xeon(R)CPU E5‑2697v3@2.60GHz工作站上运行，比相同编码参数配置情况下的多次编码节省了44.68％的编码时间，同时性能没有下降。
-
公开(公告)号：CN109996071A
公开(公告)日：2019-07-09
申请号：CN201910240535.9
申请日：2019-03-27
Applicant: 上海交通大学
IPC: H04N19/124 , H04N19/13 , H04N19/147
Abstract: 本发明公开了一种基于深度学习的可变码率图像编码系统及方法，包括：正向多尺度分解变换网络模块，将输入原始图像分解为多个尺度的图像特征；量化模块，将图像特征量化成整数；自适应码率分配模块，根据给定的目标码率对量化成整数的图像特征进行块级别的码率分配；熵编解码模块，将进行码率分配后的图像特征编码为二进制码流；同时提供了一种可变码率图像解码系统及方法，用于解码上述编码系统及方法形成的编码。本发明使用深度卷积神经网络构建正反多尺度分解变换，利用大量数据进行训练得到最优模型参数，结合基于图像复杂度的自适应码率分配方法，在实际应用中可实现可变码率图像编解码。
-
公开(公告)号：CN109889839A
公开(公告)日：2019-06-14
申请号：CN201910240106.1
申请日：2019-03-27
Applicant: 上海交通大学
IPC: H04N19/167 , H04N19/146 , H04N19/147 , H04N19/91 , H04N19/182 , H04N19/124 , H04N19/44 , H04N19/33
Abstract: 本发明公开了一种基于深度学习的感兴趣区域图像编码系统及方法，包括感兴趣区域编码网络模块、码率分配模块和熵编码模块。图像输入系统后，感兴趣区域编码网络模块同时对输入图像进行正向多尺度分解变换以及感兴趣区域分割预测，得到图像的多尺度特征和感兴趣区域掩模，再经过码率分配模块为感兴趣区域分配更多的特征，分配后的特征经过量化和熵编码得到二进制码流；同时提供了一种感兴趣区域图像解码系统及方法，用于解码上述编码系统及方法形成的编码。本发明使用深度学习技术构建感兴趣区域编解码网络和熵编解码器，利用大量数据训练得到最优模型参数，在实际应用中可达到显著优于现有感兴趣编码系统的主观和客观的编码性能。
-
公开(公告)号：CN109889839B
公开(公告)日：2020-11-20
申请号：CN201910240106.1
申请日：2019-03-27
Applicant: 上海交通大学
IPC: H04N19/167 , H04N19/146 , H04N19/147 , H04N19/91 , H04N19/182 , H04N19/124 , H04N19/44 , H04N19/33
Abstract: 本发明公开了一种基于深度学习的感兴趣区域图像编码系统及方法，包括感兴趣区域编码网络模块、码率分配模块和熵编码模块。图像输入系统后，感兴趣区域编码网络模块同时对输入图像进行正向多尺度分解变换以及感兴趣区域分割预测，得到图像的多尺度特征和感兴趣区域掩模，再经过码率分配模块为感兴趣区域分配更多的特征，分配后的特征经过量化和熵编码得到二进制码流；同时提供了一种感兴趣区域图像解码系统及方法，用于解码上述编码系统及方法形成的编码。本发明使用深度学习技术构建感兴趣区域编解码网络和熵编解码器，利用大量数据训练得到最优模型参数，在实际应用中可达到显著优于现有感兴趣编码系统的主观和客观的编码性能。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.018 seconds)
