-
公开(公告)号：CN111833376B
公开(公告)日：2024-07-05
申请号：CN201910330691.4
申请日：2019-04-23
Applicant: 上海富瀚微电子股份有限公司
Abstract: 本发明提供了一种目标跟踪系统及方法，所述目标跟踪系统包括图像处理单元和目标跟踪单元，所述目标跟踪单元通过读取所述图像处理单元统计的每帧图像的亮度、色度和锐度，或统计的每帧图像的色度和亮度，以及计算得到的跟踪目标当前的运动信息来调整目标跟踪参数的更新速度，以及通过所述图像处理单元的统计信息来判断是否需要切换目标跟踪方法所用跟踪特征，若需要，则读取所述图像处理单元获取的图像的锐度信息以对跟踪特征进行切换，如此，便通过所述图像处理单元和所述目标跟踪单元的联用提升了目标跟踪的鲁棒性与准确度。
-
公开(公告)号：CN117115875A
公开(公告)日：2023-11-24
申请号：CN202211729484.4
申请日：2022-12-30
Applicant: 上海富瀚微电子股份有限公司
IPC: G06V40/16 , G06V20/40 , G06V10/762 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/047 , G06N3/082
Abstract: 本发明提供了一种人脸检测及特征预测跟踪显示的方法，应用于计算机视觉技术领域，该方法包括：接收视频输入数据，并按帧分解视频输入数据，得到多帧输入图像；对多帧输入图像依次进行人脸检测，并对检测到的人脸进行对应位置记录；对多帧输入图像中检测到的人脸进行特征预测，并按照特征类别进行计算合并得到多个标签；将多个标签依次添加到各输入图像中记录的对应位置；将添加标签后的多个图像合成视频，并输出合成视频。本发明能够实现端到端提取多人同时出现的视频中的人脸，并实现高精度人脸特征预测，以及跟踪显示对应的特征，并能实时表示或导出为添加特征的视频。
-
公开(公告)号：CN114240760A
公开(公告)日：2022-03-25
申请号：CN202111640472.X
申请日：2021-12-29
Applicant: 上海富瀚微电子股份有限公司
Abstract: 本发明公开了一种视频图像非整数倍超分辨率重建方法及装置，该方法包括：S1，获取图像帧及图像帧运动信息图；S2，分别进行相同位置的分块处理；S3，进行运动概率估计；S4，对每个图像块纹理复杂度进行分类；S5，基于运动概率估计与纹理复杂度分类标签选择超分辨率网络；S6，设计多个超分辨率网络，并使用相同数据集训练；S7，利用K个超分辨率网络，对选取的超分辨率网络进行正向推理，输出每个图像块的非整数倍超分辨率图像块；S8，将每个图像块的超分结果与前一帧对应块的超分结果进行基于运动的加权融合，得到当前帧的超分辨率输出；S9，对当前帧所有图像块的超分结果进行拼接融合，得到当前帧全幅面超分结果。
-
公开(公告)号：CN111612147A
公开(公告)日：2020-09-01
申请号：CN202010618614.1
申请日：2020-06-30
Applicant: 上海富瀚微电子股份有限公司
Abstract: 本发明一种深度卷积网络的量化方法，包括：根据训练任务设计合适的深度卷积网络量化结构，同时创建浮点型的伪量化正向传播计算图和反向传播计算图；首先进行第一阶段伪量化训练，得到量化参数和伪量化浮点模型；修改正反向传播计算图，对量化参数和伪量化浮点模型进行第二阶段微调量化训练，得到训练后的量化参数和伪量化浮点模型；根据伪量化正向传播计算图得到深度卷积网络的量化公式；利用深度卷积网络的量化公式将训练后的伪量化浮点模型进行量化，并采用量化后得到的定点模型数据进行全整型前向推理运算。本发明提供的深度卷积网络的量化方法提高了深度卷积网络的运算效率并且便于硬件实现。
-
公开(公告)号：CN111191774B
公开(公告)日：2023-04-07
申请号：CN201811355622.0
申请日：2018-11-14
Applicant: 上海富瀚微电子股份有限公司
IPC: G06N3/063 , G06N3/0464 , G06F7/575 , G06F7/498
Abstract: 本发明公开了一种面向精简卷积神经网络的低代价加速器架构及其处理方法，所述加速器架构包括：数据和权值张量存储单元、数据读取单元、数据向量存储单元、数据向量读取单元、数据向量寄存单元、权值读取单元、m组权值向量存储单元、m组权值向量读取单元、m组权值向量寄存单元以及m组向量运算单元，通过本发明，可解决现有神经网络加速器在处理精简卷积神经网络时效率过低或功耗过大的问题。
-
Patent Agency Ranking
公开(公告)号：CN115861128A
公开(公告)日：2023-03-28
申请号：CN202211719412.1
申请日：2022-12-30
Applicant: 上海富瀚微电子股份有限公司
Abstract: 本发明提供一种视频去噪装置，包括噪声强度估计模块、去噪网络结构、无监督训练模块和参数调节模块，噪声强度估计模块采集多帧带噪视频和原始图像数据，并得到带噪视频图像对应的噪声强度；无监督训练模块提供训练损失函数；去噪网络结构对噪声强度经过空域变换和时域合成解耦生成多帧噪声强度图，同时根据训练损失函数对去噪网络结构进行训练；参数调节模块用于控制去噪网络结构的时域合成力度，能够在只拥有真实带噪视频没有不带噪源视频的情况下训练视频去噪模型，并且方便部署到嵌入式设备上，支持用户灵活调节参数；噪声估计模块的噪声估计和无监督学习模块的无监督学习均真实带噪视频展开的，其实用性更强。
-
公开(公告)号：CN114092968A
公开(公告)日：2022-02-25
申请号：CN202111395417.9
申请日：2021-11-23
Applicant: 上海富瀚微电子股份有限公司
IPC: G06V40/10 , G06V10/25 , G06V10/50 , G06V10/62 , G06V10/80 , G06V10/82 , G06K9/62 , G06T7/215 , G06T7/254 , G06T7/223 , G06N3/08 , G06N3/04
Abstract: 本发明提供一种基于视频序列的行人检测方法及装置、计算机存储介质，包括提取视频序列中的运动目标区域并定义为运动候选框；将同一目标在不同序列中的运动候选框串联起来以建立目标ID；对成功建立目标ID的运动候选框轮流进行行人检测，回归出行人目标位置并定义为行人框；将成功检测到行人的目标ID设置为激活目标，对未检测到行人的目标ID设置为休眠目标；利用激活目标和被检测帧行人在运动候选框中的相对位置推断出其他帧行人位置。通过视频序列中的运动信息和目标跟踪信息分别从空间域和时间域上筛选出高质量的候选区域，使得以极小的计算和内存代价来定位行人目标，解决了现有行人检测方法运算量大、检测结果可靠性差且检测效率低的问题。
-
公开(公告)号：CN111833376A
公开(公告)日：2020-10-27
申请号：CN201910330691.4
申请日：2019-04-23
Applicant: 上海富瀚微电子股份有限公司
Abstract: 本发明提供了一种目标跟踪系统及方法，所述目标跟踪系统包括图像处理单元和目标跟踪单元，所述目标跟踪单元通过读取所述图像处理单元统计的每帧图像的亮度、色度和锐度，或统计的每帧图像的色度和亮度，以及计算得到的跟踪目标当前的运动信息来调整目标跟踪参数的更新速度，以及通过所述图像处理单元的统计信息来判断是否需要切换目标跟踪方法所用跟踪特征，若需要，则读取所述图像处理单元获取的图像的锐度信息以对跟踪特征进行切换，如此，便通过所述图像处理单元和所述目标跟踪单元的联用提升了目标跟踪的鲁棒性与准确度。
-
公开(公告)号：CN111191774A
公开(公告)日：2020-05-22
申请号：CN201811355622.0
申请日：2018-11-14
Applicant: 上海富瀚微电子股份有限公司
IPC: G06N3/063
Abstract: 本发明公开了一种面向精简卷积神经网络的低代价加速器架构及其处理方法，所述加速器架构包括：数据和权值张量存储单元、数据读取单元、数据向量存储单元、数据向量读取单元、数据向量寄存单元、权值读取单元、m组权值向量存储单元、m组权值向量读取单元、m组权值向量寄存单元以及m组向量运算单元，通过本发明，可解决现有神经网络加速器在处理精简卷积神经网络时效率过低或功耗过大的问题。
-
公开(公告)号：CN110942440A
公开(公告)日：2020-03-31
申请号：CN201911276680.9
申请日：2019-12-12
Applicant: 上海富瀚微电子股份有限公司
Abstract: 本发明公开了一种图像锐化的方法及装置，该方法包括：步骤S1，获取输入图像及其亮度信息；步骤S2，图像预处理；步骤S3，计算经预处理后的图像方差信息，区分图像的边界细节区域和平坦区域；步骤S4，采用多次的腐蚀膨胀联合操作，提取变薄的图像边界信息；步骤S5，对经预处理后的图像进行边界提取，将获得的边界信息与图像边界厚度信息进行处理，得到图像边界锐化结果；步骤S6，对经预处理后的输入图像进行细节提取，将得到的细节信息与步骤S3得到的图像边界细节与平坦区域区分信息进行处理，得到图像细节锐化结果；步骤S7,将图像边界锐化信息与图像细节锐化信息加回到原输入图像上，得到最后锐化后的亮度图像信息。
-
-
-
-
-
-
-
-
-
Search Results
17
records
(took 0.026 seconds)
