公开(公告)号：CN114882390A

公开(公告)日：2022-08-09

申请号：CN202210250171.4

申请日：2022-03-15

Applicant: 北京工业大学

Inventor： 刘鹏宇 ,  张悦 ,  陈善继

IPC: G06V20/40 ,  G06V10/50 ,  H04N19/186 ,  H04N19/503 ,  H04N19/177

Abstract: VVC编码标准中基于CTU直方图的视频帧类型决策方法属于视频压缩编码领域。本发明包括以下方面：第一，基于CTU直方图度量帧间内容变化程度；第二，基于CTU直方图的视频帧类型决策。本发明充分利用了CTU直方图计算复杂度低且能很好地表征视频内容特性的优势，与现有视频编码器中基于编码开销的思想相结合，实现视频帧类型的高效决策，有效提升视频整体压缩效率。

公开(公告)号：CN115661032A

公开(公告)日：2023-01-31

申请号：CN202211161069.3

申请日：2022-09-22

Applicant: 北京工业大学

Inventor： 刘鹏宇 ,  高倩 ,  陈善继 ,  袁静 ,  王潇

IPC: G06T7/00 ,  G06V10/40 ,  G06V10/46 ,  G06V10/764 ,  G06V10/766 ,  G06V10/774 ,  G06V10/82 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明公开了一种适用于复杂背景的路面病害智能检测方法，构建用于训练的路面病害图像数据集；构建轻量、高效的路面病害检测模型；训练轻量、高效的路面病害检测模型；利用路面病害检测模型对路面病害图像进行自动检测与识别。本发明基于路面病害类型的图像特征，通过在骨干网络中添加注意力模块增强网络在复杂背景环境下对路面病害关键特征的学习能力，并基于轻量化的卷积神经网络结构组件对网络中的卷积模块进行改进，构建路面病害检测模型，实现了复杂背景环境下多种路面病害类型的快速、准确检测，解决了现有路面病害检测算法容易受光照、阴影、车道线、旁车、井盖等复杂背景信息干扰、检测精度较低、模型体积较大难以部署的难题。

公开(公告)号：CN114882390B

公开(公告)日：2024-05-28

申请号：CN202210250171.4

申请日：2022-03-15

Applicant: 北京工业大学

Inventor： 刘鹏宇 ,  张悦 ,  陈善继

IPC: G06V20/40 ,  G06V10/50 ,  H04N19/186 ,  H04N19/503 ,  H04N19/177

Abstract: VVC编码标准中基于CTU直方图的视频帧类型决策方法属于视频压缩编码领域。本发明包括以下方面：第一，基于CTU直方图度量帧间内容变化程度；第二，基于CTU直方图的视频帧类型决策。本发明充分利用了CTU直方图计算复杂度低且能很好地表征视频内容特性的优势，与现有视频编码器中基于编码开销的思想相结合，实现视频帧类型的高效决策，有效提升视频整体压缩效率。

公开(公告)号：CN116347107A

公开(公告)日：2023-06-27

申请号：CN202310250176.1

申请日：2023-03-15

Applicant: 北京工业大学

Inventor： 刘鹏宇 ,  金鹏程 ,  陈善继 ,  王偲荣

IPC: H04N19/82 ,  H04N19/176 ,  H04N19/117 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明公开了面向VVC视频编码标准基于可变CNN的QP自适应环路滤波方法，属于视频编码技术领域，本方法包含以下步骤：构建轻量级CTU质量三分类网络；构建三个不同复杂度的CNN滤波网络；构建滤波和分类数据集；训练轻量级CTU质量三分类网络模型和三个不同复杂度的CNN滤波网络模型；将轻量级CTU质量三分类网络与三个不同复杂度的CNN滤波网络耦合，并集成到VVC标准VTM6.0中。本发明充分利用了深度学习在图像滤波去噪方面的优势，改善了视频编码器中环路滤波器的性能，有效提升视频整体质量和压缩效率。

公开(公告)号：CN115661034A

公开(公告)日：2023-01-31

申请号：CN202211170347.1

申请日：2022-09-22

Applicant: 北京工业大学

Inventor： 刘鹏宇 ,  陈善继 ,  刘天禹 ,  王聪聪 ,  白岩冰

IPC: G06T7/00 ,  G06T7/10 ,  G06T7/62 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/09

Abstract: 本发明公开了基于机器视觉的公路边坡微小位移形变监测方法，包含以下步骤：构建基于公路边坡图像的轻量级裂缝分割网络模型；训练轻量级裂缝分割网络模型；将待识别的公路边坡裂缝图片输入到训练后的轻量级裂缝分割网络模型；轻量级裂缝分割网络模型对对输入图片进行自动的分割。利用分割结果来统计裂缝的面积变化，实现对边坡微小形变位移的监测。本发明充分利用了卷积神经网络在图像分割领域内展现的优势，创新性地将逐通道卷积与空洞卷积的思想相结合，构建了包含多个阶段性模块的编码‑解码网络，在保证公路边坡裂缝分割性能的前提下，通过减少参数量，有效降低了标准卷积运算的复杂度及网络深度，为软硬件集成与实际应用提供了可能性。

公开(公告)号：CN114612306A

公开(公告)日：2022-06-10

申请号：CN202210250155.5

申请日：2022-03-15

Applicant: 北京工业大学

Inventor： 刘鹏宇 ,  刘天禹 ,  陈善继

IPC: G06T3/40

Abstract: 本发明公开设计了一种面向裂缝检测的深度学习超分辨率方法，属于图像超分辨率技术领域。本发明包含以下步骤：构建用于超分辨率网络训练的裂缝图像数据集；构建面向裂缝的超分辨率网络；训练面向裂缝的超分辨率网络；裂缝图像的超分辨率放大。本发明充分利用了深度学习在图像超分辨率领域内展现的优势，基于裂缝图像特征，设计包含注意力机制和深度可分离卷积的轻量化残差模块并采用后置上采样结构构建了超分辨率网络，解决了裂缝低分辨率图像向高分辨率图像映射困难、不准确的问题，在低计算资源占用的情况下对裂缝图像进行超分辨率放大，保留了裂缝的纹理信息并提升视觉体验。