-
公开(公告)号：CN110517329A
公开(公告)日：2019-11-29
申请号：CN201910741565.8
申请日：2019-08-12
Applicant: 北京邮电大学
Abstract: 本发明提出一种基于语义分析的深度学习图像压缩方法，属于图像有损压缩技术领域。包括：步骤1，对输入的图像使用卷积神经网络CNN对图像进行特征提取，标识每个像素的语义重要程度；步骤2，将输入图像进行分块，压缩比特分配对每个图像块依据其语义重要程度计算对应的压缩比例；步骤3，使用基于CNN和循环神经网络LSTM的网络结构对图像按照计算好的压缩比例进行压缩和恢复。本发明将深度学习在图像语义分析和图像压缩领域的应用相结合，根据语义重要程度分配图像不同区域的压缩比特，以实现基于语义重要度分析的图像压缩效果，提高图像中人眼关注区域的视觉质量，整张图片占据的空间更小，在物联网图像处理方面有很好的应用价值。
-
公开(公告)号：CN110517329B
公开(公告)日：2021-05-14
申请号：CN201910741565.8
申请日：2019-08-12
Applicant: 北京邮电大学
Abstract: 本发明提出一种基于语义分析的深度学习图像压缩方法，属于图像有损压缩技术领域。包括：步骤1，对输入的图像使用卷积神经网络CNN对图像进行特征提取，标识每个像素的语义重要程度；步骤2，将输入图像进行分块，压缩比特分配对每个图像块依据其语义重要程度计算对应的压缩比例；步骤3，使用基于CNN和循环神经网络LSTM的网络结构对图像按照计算好的压缩比例进行压缩和恢复。本发明将深度学习在图像语义分析和图像压缩领域的应用相结合，根据语义重要程度分配图像不同区域的压缩比特，以实现基于语义重要度分析的图像压缩效果，提高图像中人眼关注区域的视觉质量，整张图片占据的空间更小，在物联网图像处理方面有很好的应用价值。
-
公开(公告)号：CN108965160B
公开(公告)日：2020-06-05
申请号：CN201810694800.6
申请日：2018-06-29
Applicant: 北京邮电大学
IPC: H04L12/851 , H04L12/865 , H04L12/873
Abstract: 本发明提出一种适用于矿山物联网多业务传输的动态差额加权轮询调度方法，包括：井下传感器采集的数据汇聚到网关；将传感器采集的数据按照优先级分类，并排到对应等级的调度队列中；调度服务器按时延优先级高低依次服务各个队列；服务某队列时，根据队列的差额计数器值来判断是否发送数据包；更新队列的差额计数器时不仅考虑队列的时延优先级，还考虑了网络突发流量及历史排队时延。本发明通过增加了对队列瞬时到达率及历史排队时延两个因素，使得该方法在网络出现突发流量时可以自适应地调整差额分配，并且可以有效防止低优先级队列由于分配资源较少导致的队列拥塞现象。
-
公开(公告)号：CN108965160A
公开(公告)日：2018-12-07
申请号：CN201810694800.6
申请日：2018-06-29
Applicant: 北京邮电大学
IPC: H04L12/851 , H04L12/865 , H04L12/873
Abstract: 本发明提出一种适用于矿山物联网多业务传输的动态差额加权轮询调度方法，包括：井下传感器采集的数据汇聚到网关；将传感器采集的数据按照优先级分类，并排到对应等级的调度队列中；调度服务器按时延优先级高低依次服务各个队列；服务某队列时，根据队列的差额计数器值来判断是否发送数据包；更新队列的差额计数器时不仅考虑队列的时延优先级，还考虑了网络突发流量及历史排队时延。本发明通过增加了对队列瞬时到达率及历史排队时延两个因素，使得该方法在网络出现突发流量时可以自适应地调整差额分配，并且可以有效防止低优先级队列由于分配资源较少导致的队列拥塞现象。
-
-
-
Search Results
4
records
(took 0.014 seconds)
