-
公开(公告)号:CN103916675B
公开(公告)日:2017-06-20
申请号:CN201410111378.9
申请日:2014-03-25
Applicant: 北京工商大学
IPC: H04N19/593 , H04N19/129 , H04N19/176 , H04N19/105 , H04N19/154
Abstract: 本发明提出了一种基于条带划分的低延迟帧内编码方法,从采集与编码两个环节,来降低延迟,首先,采集端将每帧图像以条带为单位进行采集,条带的大小与视频分辨率、延迟要求、编码标准相关;然后,以条带为单位进行编码,为了提高预测精度,进一步降低延迟,将每个条带划分成多个子条带,以其中一个子条带编码后的重建图像的插值放大图像为预测图像进行帧内预测,这样可以有效提升预测的精度。经过测试,本发明提出的基于条带的低延迟编解码结构能有效降低编解码系统的固有延迟,对于标准清晰度视频,可以降低到150ms。
-
公开(公告)号:CN103916675A
公开(公告)日:2014-07-09
申请号:CN201410111378.9
申请日:2014-03-25
Applicant: 北京工商大学
IPC: H04N19/593 , H04N19/129 , H04N19/176 , H04N19/105 , H04N19/154
Abstract: 本发明提出了一种基于条带划分的低延迟帧内编码方法,从采集与编码两个环节,来降低延迟,首先,采集端将每帧图像以条带为单位进行采集,条带的大小与视频分辨率、延迟要求、编码标准相关;然后,以条带为单位进行编码,为了提高预测精度,进一步降低延迟,将每个条带划分成多个子条带,以其中一个子条带编码后的重建图像的插值放大图像为预测图像进行帧内预测,这样可以有效提升预测的精度。经过测试,本发明提出的基于条带的低延迟编解码结构能有效降低编解码系统的固有延迟,对于标准清晰度视频,可以降低到150ms。
-
公开(公告)号:CN107727078A
公开(公告)日:2018-02-23
申请号:CN201710909478.X
申请日:2017-09-29
Applicant: 北京工商大学
CPC classification number: G01C11/04 , G06K9/0063 , G06K9/00637 , G06K9/00657
Abstract: 本发明公开了一种城市不透水层覆盖率遥感估算方法,是以性价比高的中分辨率遥感影像为主要数据源利用混沌粒子群优化支持向量回归估算城市不透水面覆盖率的新方法,对支持向量回归机中的参数优化算法进行改进,提出一种应用于中分辨率遥感影像的改进型支持向量回归UISP遥感估算方法以提高支持向量回归在中分辨率遥感影像UISP估算中的精度。进一步提高了以中分辨率遥感影像为主要数据源进行UISP估算的性能,为利用城市不透水面信息作为输入数据的相关研究提供更为精确的城市不透水面数据。
-
公开(公告)号:CN103929641A
公开(公告)日:2014-07-16
申请号:CN201410196016.4
申请日:2014-05-12
Applicant: 北京工商大学
IPC: H04N19/105 , H04N19/176 , H04N19/517 , H04N19/577 , H04N19/154
Abstract: 本发明提出了一种基于虚拟参考帧的帧内编码方法,对帧内视频边界的编码单元CU(Coding Unit)采用HEVC标准的预测模式进行编码,对其余的编码单元采用虚拟参考帧预测与标准预测相结合的方式进行编码。首先,构造待编码块的虚拟参考帧,虚拟参考帧的范围包括已编码区域的重建数据以及未编码区域的信息两部分构成,未编码区域的数据采用水平/垂直平铺的方式进行填充。其次,对待编码的CU进行基于虚拟参考帧的预测,预测方式采用快速菱形搜索方式,如果预测的残差足够小,就标记该块为INTER方式,并记录其运动矢量的数值;如果运动矢量为0,则标记其为SKIP块;如果预测的残差比较大,则采用HEVC标准的预测方式,并标记块的类型为INTRA块。经过测试,本发明提出的基于虚拟参考帧的预测编码能有效提高帧内编码的预测精度。
-
公开(公告)号:CN120030166A
公开(公告)日:2025-05-23
申请号:CN202510113985.7
申请日:2025-01-24
Applicant: 北京工商大学
IPC: G06F16/353 , G06F16/334 , G06F40/284 , G06N3/0442 , G06N3/0455 , G06N3/084
Abstract: 本发明公开了一种基于BERT、BiGRU和多头注意力机制的在线评论情感分类方法,所述方法包括针对文本数据集进行数据预处理;基于BERT、BiGRU和多头注意力机制构建情感分类模型;加载数据预处理后的训练集训练模型,通过多轮迭代,按批次对数据进行训练;基于模型对在线评论的情感类型进行分类。本发明通过结合BERT的深层双向语境理解能力、多头注意力的全局依赖建模以及BiGRU对序列数据的长期依赖关系捕捉能力,实现了对在线评论情感的高效和准确分类。
-
-
-
-