-
公开(公告)号：CN103634601A
公开(公告)日：2014-03-12
申请号：CN201310632139.3
申请日：2013-12-02
Applicant: 国家广播电影电视总局广播科学研究院 , 北京邮电大学
IPC: H04N19/147
Abstract: 一种基于结构相似度的高效视频编码感知码率控制优化方法，包括以下步骤：在进行最大编码单元级的码率分配时，利用结构相似度作为图像失真的评价标准计算图像最大编码单元的失真，并利用其代替高效视频编码器编码端码率分配中的图像失真来计算码率控制R-λ模型中最大编码单元级码率分配的权重；在进行模式判决前，利用结构相似度作为图像失真的评价标准计算图像失真，并用其替代高效视频编码器编码端率失真判决中的编码图像的失真。本发明设计合理，使码率分配更加高效、准确，同时在相同码率情况下提高了编码图像的感知视觉质量；在目标码率相同的情况下能提高视频主观质量，或在相同的结构相似度情况下平均能实现12%的码率减少。
-
公开(公告)号：CN104219525A
公开(公告)日：2014-12-17
申请号：CN201410438723.X
申请日：2014-09-01
Applicant: 国家广播电影电视总局广播科学研究院 , 北京邮电大学
IPC: H04N19/154 , H04N19/147 , H04N19/176 , H04N19/625
Abstract: 本发明涉及一种基于显著性和最小可察觉失真的感知视频编码方法，属于视频编码领域。其技术特点是：分别计算待处理视频帧图像的显著值和最小可察觉失真值，根据视频帧图像的显著值调整最小可察觉失真值，得到显著性最小可察觉失真阈值；根据显著性最小可察觉失真阈值对视频编码过程中的残差进行滤波，得到基于显著性和最小可察觉失真的感知视频编码。本发明设计合理，其在HEVC的框架基础上，将人眼视觉两大感知模型——视觉注意力模型和视觉敏感模型相结合构成一种显著性和最小可察觉失真(Saliency–Just Noticeable Distortion，S-JND)算法，能够进一步挖掘并去除视频数据中的视觉冗余，在不影响主观质量的情况下，有效减小了视频编码码率，提高了视频编码效率。
-
公开(公告)号：CN103634601B
公开(公告)日：2017-01-18
申请号：CN201310632139.3
申请日：2013-12-02
Applicant: 国家广播电影电视总局广播科学研究院 , 北京邮电大学
IPC: H04N19/147
Abstract: 一种基于结构相似度的高效视频编码感知码率控制优化方法，包括以下步骤：在进行最大编码单元级的码率分配时，利用结构相似度作为图像失真的评价标准计算图像最大编码单元的失真，并利用其代替高效视频编码器编码端码率分配中的图像失真来计算码率控制R-λ模型中最大编码单元级码率分配的权重；在进行模式判决前，利用结构相似度作为图像失真的评价标准计算图像失真，并用其替代高效视频编码器编码端率失真判决中的编码图像的失真。本发明设计合理，使码率分配更加高效、准确，同时在相同码率情况下提高了编码图像的感知视觉质量；在目标码率相同的情况下能提高视频主观质量，或在相同的结构相似度情况下平均能实现12%的码率减少。
-
公开(公告)号：CN104219525B
公开(公告)日：2017-07-18
申请号：CN201410438723.X
申请日：2014-09-01
Applicant: 国家广播电影电视总局广播科学研究院 , 北京邮电大学
IPC: H04N19/154 , H04N19/147 , H04N19/176 , H04N19/625
Abstract: 本发明涉及一种基于显著性和最小可察觉失真的感知视频编码方法，属于视频编码领域。其技术特点是：分别计算待处理视频帧图像的显著值和最小可察觉失真值，根据视频帧图像的显著值调整最小可察觉失真值，得到显著性最小可察觉失真阈值；根据显著性最小可察觉失真阈值对视频编码过程中的残差进行滤波，得到基于显著性和最小可察觉失真的感知视频编码。本发明设计合理，其在HEVC的框架基础上，将人眼视觉两大感知模型——视觉注意力模型和视觉敏感模型相结合构成一种显著性和最小可察觉失真(Saliency–Just Noticeable Distortion，S‑JND)算法，能够进一步挖掘并去除视频数据中的视觉冗余，在不影响主观质量的情况下，有效减小了视频编码码率，提高了视频编码效率。
-
公开(公告)号：CN108960140B
公开(公告)日：2021-04-27
申请号：CN201810721690.8
申请日：2018-07-04
Applicant: 国家新闻出版广电总局广播科学研究院 , 北京邮电大学
Abstract: 本发明涉及一种基于多区域特征提取和融合的行人再识别方法，利用残差网络提取全局特征，并在训练阶段增加一个用于全局特征提取和优化的行人身份分类模块；构造用于局部特征提取的多区域特征提取子网络，并将各局部特征进行加权融合；设置包括分类模块损失和特征融合模块损失的损失函数；对网络进行训练，得到模型提取查询集和测试集的特征向量；在度量阶段，利用交叉近邻方法对特征距离进行重新度量。本发明设计合理，有效结合了全局特征和局部特征，在距离度量方法上进行优化，获得了很好的行人再识别结果，使得系统整体匹配准确率大大提升。
-
Patent Agency Ranking
公开(公告)号：CN109829481B
公开(公告)日：2020-10-30
申请号：CN201910007444.0
申请日：2019-01-04
Applicant: 北京邮电大学
IPC: G06K9/62
Abstract: 本发明实施例提供了一种图像分类方法、装置、电子设备及可读存储介质，应用于模式识别技术领域，所述方法包括：对各样本图像进行灰度化处理，将得到的各灰度图像表示为二维图像矩阵；样本图像包括：训练图像和待分类图像，根据各二维图像矩阵建立灰度矩阵；根据标签约束矩阵和基于半张量积的非负矩阵分解算法，对归一化灰度矩阵进行特征提取，得到特征矩阵；将标签约束矩阵和特征矩阵的乘积的转置作为混合特征矩阵，将混合特征矩阵中各待分类图像对应的特征输入预先建立的图像分类模型，得到分类结果，图像分类模型是对混合特征矩阵中各训练图像对应的特征及各训练图像对应的图像类别进行训练得到的。本发明提高了图像分类的效率。
-
公开(公告)号：CN109829481A
公开(公告)日：2019-05-31
申请号：CN201910007444.0
申请日：2019-01-04
Applicant: 北京邮电大学
IPC: G06K9/62
Abstract: 本发明实施例提供了一种图像分类方法、装置、电子设备及可读存储介质，应用于模式识别技术领域，所述方法包括：对各样本图像进行灰度化处理，将得到的各灰度图像表示为二维图像矩阵；样本图像包括：训练图像和待分类图像，根据各二维图像矩阵建立灰度矩阵；根据标签约束矩阵和基于半张量积的非负矩阵分解算法，对归一化灰度矩阵进行特征提取，得到特征矩阵；将标签约束矩阵和特征矩阵的乘积的转置作为混合特征矩阵，将混合特征矩阵中各待分类图像对应的特征输入预先建立的图像分类模型，得到分类结果，图像分类模型是对混合特征矩阵中各训练图像对应的特征及各训练图像对应的图像类别进行训练得到的。本发明提高了图像分类的效率。
-
公开(公告)号：CN109756740A
公开(公告)日：2019-05-14
申请号：CN201910047110.6
申请日：2019-01-18
Applicant: 北京邮电大学
IPC: H04N19/60 , H04N19/42 , H04N19/426
Abstract: 本发明实施例提供了基于最优测量矩阵的半张量图像压缩方法和图像恢复方法。其中，该图像压缩方法包括：对待压缩图像的原始矩阵进行稀疏变换，得到待压缩图像的第一稀疏表示矩阵；基于第一稀疏表示矩阵的行数、预设压缩比和预设系数，确定原始矩阵对应的初始测量矩阵的行数和列数；基于预设的元素数值关系，生成m×n维矩阵，作为初始测量矩阵；对初始测量矩阵进行优化，得到最优测量矩阵；基于最优测量矩阵与预设的半张量压缩感知模型，对第一稀疏表示矩阵进行压缩，得到压缩后的目标矩阵。与现有技术相比，应用本发明实施例提供的方案，可以实现提高压缩感知理论在计算资源和通信能耗受限的网络中的实用性。
-
公开(公告)号：CN109635636B
公开(公告)日：2023-05-09
申请号：CN201811273875.3
申请日：2018-10-30
Applicant: 国家新闻出版广电总局广播科学研究院 , 北京邮电大学
IPC: G06V40/10 , G06V10/80 , G06V10/77 , G06V10/82 , G06V10/54 , G06V10/56 , G06N3/0464 , G06N3/047 , G06N3/048 , G06N3/08
Abstract: 本发明涉及一种基于属性特征和加权的分块特征相融合的行人再识别方法，包括以下步骤：构造属性特征提取子网络，该子网络融合了手动提取的特征和深度神经网络提取的特征；采用设置加权的交叉熵损失函数来训练属性特征提取子网络；构造基于分块的特征提取子网络，该网络可融合多个分块的深度特征；训练基于分块的特征提取子网络，设置局部损失函数的加权融合层，自主学习不同的权重，进而赋予各局部损失函数；对整体网络进行训练，提取融合了属性特征和基于分块的深度特征的行人特征表示。本发明设计合理，其有效结合了属性特征和深度特征，在损失函数计算方法上进行优化，获得了很好的行人再识别结果，使得系统整体匹配准确率大大提升。
-
公开(公告)号：CN110210608A
公开(公告)日：2019-09-06
申请号：CN201910483957.9
申请日：2019-06-05
Applicant: 国家广播电视总局广播电视科学研究院 , 北京邮电大学
Abstract: 本发明涉及一种基于注意力机制和多层次特征融合的低照度图像增强方法，包括以下步骤：在输入端对低照度图像进行处理，输出四通道特征图；使用基于注意力机制的卷积层作为特征提取模块，用于提取基础特征作为低层特征；将低层特征与相应的高层特征和卷积层最深层次的特征融合，经过反卷积层后，获得最终特征图；输出映射将最终的特征图还原成RGB图片。本发明充分利用了深度卷积神经网络模型的多层次特征，将不同层次特征融合，并通过通道注意力机制，给予特征通道不同的权重，获得了更优的特征表示，提高了图像处理的准确率，获取了高质量图像，可广泛用于计算机低层次视觉任务技术领域。
-
-
-
-
-
-
-
-
-
Search Results
23
records
(took 0.078 seconds)
