-
公开(公告)号：CN107808389A
公开(公告)日：2018-03-16
申请号：CN201711004135.5
申请日：2017-10-24
Applicant: 上海交通大学
Abstract: 本发明提供了一种基于深度学习的无监督视频分割方法，包括：建立编码解码深度神经网络，编码解码深度神经网络包括：静态图像分割流网络、帧间信息分割流网络以及融合网络；静态图像分割流网络用于对当前视频帧进行前景背景分割处理，帧间信息分割流网络用于对当前视频帧和下一视频帧之间的光流场信息进行运动物体的前景背景分割；将静态图像分割流网络和帧间信息分割流网络输出的分割图像通过融合网络进行融合后，得到视频分割结果。本发明的静态图像分割流网络用于高质量的帧内分割，帧间信息分割流网络用于高质量的光流场信息分割，两路输出通过最后的融合操作得到提升后的分割结果，从而可以根据有效的双路输出和融合操作得到较好的分割结果。
-
公开(公告)号：CN106327513A
公开(公告)日：2017-01-11
申请号：CN201610670319.4
申请日：2016-08-15
Applicant: 上海交通大学
IPC: G06T7/13
Abstract: 本发明公开一种基于卷积神经网络的镜头边界检测方法，所述方法将视频分段，计算各段局部阈值，排除段内亮度距离低于阈值的段，对高于阈值的段进行两次二分处理，根据候选段和二分处理得到的小段的段内亮度距离的关系排除不含镜头边界的段，并对衡量结果进行分类得到突变边界候选段和渐变边界候选段；用卷积神经网络提取段内每帧的特征并利用特征间的余弦距离衡量帧间相似度；对突变边界候选段，根据连续两帧的帧间相似度和候选段首末帧的帧间相似度的关系确定该段是否存在突变边界及位置；对渐变边界候选段，计算绝对距离差并绘制曲线，进而确定该段是否为渐变边界并将相邻的渐变边界融合。本发明能准确的检测突变镜头边界和渐变镜头边界。
-
公开(公告)号：CN106327513B
公开(公告)日：2020-11-17
申请号：CN201610670319.4
申请日：2016-08-15
Applicant: 上海交通大学
IPC: G06T7/13
Abstract: 本发明公开一种基于卷积神经网络的镜头边界检测方法，所述方法将视频分段，计算各段局部阈值，排除段内亮度距离低于阈值的段，对高于阈值的段进行两次二分处理，根据候选段和二分处理得到的小段的段内亮度距离的关系排除不含镜头边界的段，并对衡量结果进行分类得到突变边界候选段和渐变边界候选段；用卷积神经网络提取段内每帧的特征并利用特征间的余弦距离衡量帧间相似度；对突变边界候选段，根据连续两帧的帧间相似度和候选段首末帧的帧间相似度的关系确定该段是否存在突变边界及位置；对渐变边界候选段，计算绝对距离差并绘制曲线，进而确定该段是否为渐变边界并将相邻的渐变边界融合。本发明能准确的检测突变镜头边界和渐变镜头边界。
-
公开(公告)号：CN107808389B
公开(公告)日：2020-04-17
申请号：CN201711004135.5
申请日：2017-10-24
Applicant: 上海交通大学
Abstract: 本发明提供了一种基于深度学习的无监督视频分割方法，包括：建立编码解码深度神经网络，编码解码深度神经网络包括：静态图像分割流网络、帧间信息分割流网络以及融合网络；静态图像分割流网络用于对当前视频帧进行前景背景分割处理，帧间信息分割流网络用于对当前视频帧和下一视频帧之间的光流场信息进行运动物体的前景背景分割；将静态图像分割流网络和帧间信息分割流网络输出的分割图像通过融合网络进行融合后，得到视频分割结果。本发明的静态图像分割流网络用于高质量的帧内分割，帧间信息分割流网络用于高质量的光流场信息分割，两路输出通过最后的融合操作得到提升后的分割结果，从而可以根据有效的双路输出和融合操作得到较好的分割结果。
-
-
-
Search Results
4
records
(took 0.021 seconds)
