-
公开(公告)号：CN117528091A
公开(公告)日：2024-02-06
申请号：CN202310621597.0
申请日：2023-05-30
Applicant: 上海大学
IPC: H04N19/167 , H04N19/134 , H04N19/154 , H04N19/172
Abstract: 本发明涉及一种基于感兴趣区域及LCU特征的编码方法，包括以下步骤：S1、获取视频序列和对应的视频帧；S2、计算平均纹理复杂度和纹理复杂度；S3、计算平均失真程度和失真程度，以及平均结构特征和结构特征；S4、求出平均失真程度和平均结构特征的比值，同时求出失真程度和结构特征的比值；S5、计算相关参数加权组合；S6、标记感兴趣和非感兴趣区域；S7、计算当前编码LCU对编码帧的重要程度；S8、对所有编码帧完成QP参数更新；S9、基于更新后的QP参数对视频序列进行编码。与现有技术相比，本发明具有率失真性能好等优点。
-
公开(公告)号：CN113271461B
公开(公告)日：2022-09-27
申请号：CN202110542562.9
申请日：2021-05-18
Applicant: 上海大学
IPC: H04N19/103 , H04N19/11 , H04N19/146 , H04N19/147 , H04N19/159
Abstract: 本发明提供了一种基于自适应代价分数阈值的帧内预测模式判决方法和系统，包括：步骤1：将帧内预测的角度模式分为九个区域，对于每个区域，选择一个角度模式组成初始候选模式集CS1，并计算CS1中各模式的预测代价；步骤2：采用分层模式判决框架，对临近角度模式进行搜索，构造本层级的候选模式集；步骤3：使用自适应代价分数阈值降低计算率失真代价的模式数量；步骤4：选取率失真代价最低的预测模式作为帧内预测的最佳预测模式，并利用参考像素计算当前块的预测值，完成当前块的帧内预测。本发明针对帧内预测粗糙模式判决利用角度分区降低初始候选模式集数量，避免了过多的预测代价计算。
-
公开(公告)号：CN108184113B
公开(公告)日：2021-12-03
申请号：CN201711264934.6
申请日：2017-12-05
Applicant: 上海大学
IPC: H04N19/103 , H04N19/122 , H04N19/159 , H04N19/186 , H04N19/42
Abstract: 本发明提出一种基于图像间参考的图像压缩编码方法和系统。方法包括编码和解码过程，编码过程包括建立并更新数据库、输入数据、寻找参考图像、编码单元编码、数据封装等步骤；解码过程包括读入与解析编码数据、获取参考图像、获取编码单元模式与数据等步骤。还描述了一种编码与解码装置，编码装置包括输入模块，格式转换模块，寻找参考图像模块，分割模块，单元编码模块，封装模块；解码装置包括输入模块、解析模块、获取参考模块、解码单元模块、整合模块、输出模块。相比较原有的压缩技术，本发明对于相似或相同场景图像，能更有效去除冗余信息，提高压缩效率，适用于大量图像的压缩，使得图像在传输，存储和处理方面有更优异的性能。
-
公开(公告)号：CN111767723A
公开(公告)日：2020-10-13
申请号：CN202010405161.4
申请日：2020-05-14
Applicant: 上海大学
IPC: G06F40/284 , G06F40/295 , G16H50/70 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于BIC的中文电子病历实体标注新方法，属于自然语言处理技术领域，用来解决中文电子病历实体识别及标注的问题；步骤如下：先根据实际需求给出相应的医学实体标注规范，接着人工标注少量数据，将人工标注的数据进行数据处理，处理成模型所需数据格式，形成训练数据；接着训练模型参数，生成序列标注模型，该模型包含双向长短时记忆网络、迭代空洞卷积神经网络、条件随机场，设置模型的解码端；将待标注数据输入到序列标注模型，输出结果，得到机器标注的数据；然后由人工审查修正部分标注错误，再经过数据处理操作，得到模型所需训练数据，再次进行模型训练。本发明方法能够实现中文电子病例数据的自动标注，准确率高。
-
公开(公告)号：CN105787961B
公开(公告)日：2019-06-25
申请号：CN201610094544.8
申请日：2016-02-21
Applicant: 上海大学
IPC: G06T7/246
Abstract: 本发明涉及一种基于背景颜色信息加权的目标直方图的Camshift运动目标跟踪方法，操作步骤如下：1）建立目标颜色直方图；2）建立背景颜色直方图；3）根据目标颜色直方图和背景颜色直方图计算背景加权系数；4）使用加权系数对目标颜色直方图进行加权，得到最终目标模型；5）将目标模型反向映射到每个像素点，得到颜色概率分布图；6）初始化搜索窗口，计算搜索窗内的零阶矩和一阶矩，进一步计算搜索窗的质心和新搜索窗大小；7）将搜索窗的中心移动到步骤6）中的质心位置，判断是否收敛，若收敛，读入下一帧，再进入步骤5），否则直接进入步骤6）。本发明为Camshift算法建立了一个突出目标颜色特性的目标模型，提高了算法的抗背景色干扰能力。
-
Patent Agency Ranking
公开(公告)号：CN108184113A
公开(公告)日：2018-06-19
申请号：CN201711264934.6
申请日：2017-12-05
Applicant: 上海大学
IPC: H04N19/103 , H04N19/122 , H04N19/159 , H04N19/186 , H04N19/42
Abstract: 本发明提出一种基于图像间参考的图像压缩编码方法和系统。方法包括编码和解码过程，编码过程包括建立并更新数据库、输入数据、寻找参考图像、编码单元编码、数据封装等步骤；解码过程包括读入与解析编码数据、获取参考图像、获取编码单元模式与数据等步骤。还描述了一种编码与解码装置，编码装置包括输入模块，格式转换模块，寻找参考图像模块，分割模块，单元编码模块，封装模块；解码装置包括输入模块、解析模块、获取参考模块、解码单元模块、整合模块、输出模块。相比较原有的压缩技术，本发明对于相似或相同场景图像，能更有效去除冗余信息，提高压缩效率，适用于大量图像的压缩，使得图像在传输，存储和处理方面有更优异的性能。
-
公开(公告)号：CN107318016A
公开(公告)日：2017-11-03
申请号：CN201710315105.X
申请日：2017-05-08
Applicant: 上海大学
IPC: H04N19/109 , H04N19/147 , H04N19/176
CPC classification number: H04N19/109 , H04N19/147 , H04N19/176
Abstract: 本发明针对帧间预测过程，提出一种基于零块分布的HEVC帧间预测模式快速判定方法并将其应用于帧间PU预测模式判决中，充分利用CU块经变换量化后残差块中的零块分布信息，通过统计图像纹理由简单到复杂的一系列视频序列，分析得出CU所含零块数目和零块分布特征，根据它们与PU预测模式之间的相关性，对PU预测模式进行分类筛选，从而达到最大程度保证编码质量的同时，最大限度地提高编码效率。本发明能够极大降低算法复杂度，同时能够精确地判定零块，提高算法准确度。
-
公开(公告)号：CN114979673B
公开(公告)日：2024-10-18
申请号：CN202210504823.2
申请日：2022-05-10
Applicant: 上海大学 , 上海文广科技(集团)有限公司
IPC: H04N19/96 , H04N19/147 , H04N19/136 , H04N19/593
Abstract: 本发明提供了一种H.266/VVC帧内多类型树结构决策方法及系统，包括如下步骤：对各多类型树划分模式使用Lookahead搜索，每一次搜索过程都进行一次完备或简化的帧内预测，得到对应划分模式的近似率失真代价；使用邻近CU平均深度的来作为Lookahead搜索所获得的近似率失真代价误差的衡量；对所有的多类型树划分模式按照其近似率失真代价进行递增排序，并且当代价误差小时采用策略A对划分模式进行选择，当代价误差大时采用策略B对划分模式进行选择。本发明提出了一种新颖的H.266/VVC帧内多类型树结构快速决策方法，所采用的Lookahead搜索复杂度较低，准确性较高。
-
公开(公告)号：CN118314020A
公开(公告)日：2024-07-09
申请号：CN202410593174.7
申请日：2024-05-14
Applicant: 上海大学 , 上海文广科技(集团)有限公司
IPC: G06T3/4053 , G06T3/4046 , G06T3/4038 , G06T5/50 , G06T3/4007 , G06V10/774 , G06V10/80 , G06N3/0464 , G06N3/0455 , G06N3/084
Abstract: 本发明提供一种CNN和Transformer级联的轻量化图像超分辨率重建方法，包括：构建训练样本集和测试样本集；构建超分辨率重建网络，包括并行的两个分支，分别是特征金字塔分支、基于CNN和Transformer级联的主分支；训练样本集通过两个分支分别处理深度特征，第一个分支通过特征金字塔提取模块和双分支的通道注意力机制实现轻量化的超分辨率技术处理，第二分支通过Transformer和CNN级联模块提取图像先全局后局部的特征；将两个分支处理后的图像进行拼接，得到重建后的图像；计算正则化损失，经不断地反向传播训练超分辨率重建网络，最终获得图像的重建结果。本发明通过使用两个分支，克服了传统超分辨率网络直接进行跳跃连接导致获得信息不够丰富的问题。
-
公开(公告)号：CN111767922B
公开(公告)日：2023-06-13
申请号：CN202010439159.9
申请日：2020-05-22
Applicant: 上海大学
IPC: G06V10/26 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/047 , G06N3/048 , G06N3/084
Abstract: 本发明公开了一种基于残差网络的图像语义分割方法及网络。本网络采用编码器‑解码器结构，包括特征编码器和特征解码器两个部分。特征编码器部分主要使用残差网络对输入图像进行特征提取；特征解码器部分将低层特征和高层特征相融合，并对特征图进行上采样，最后由Softmax推断结果。本方法主要步骤包括：(1)初始化神经网络参数，使用训练集对神经网络进行训练；(2)使用测试集测试神经网络并调整超参数；(3)将待分割的图像输入网络进行推断。为了充分利用图片的空间特征，提高精确度，本方法在ResNet‑101的基础上加入了非对称卷积模块和空洞卷积的方法，同时在解码器部分采用了双三次插值进行上采样。
-
-
-
-
-
-
-
-
-
Search Results
54
records
(took 0.018 seconds)
