基于生成式对抗网络模型的数据增强行人再识别方法

    公开(公告)号:CN110188835A

    公开(公告)日:2019-08-30

    申请号:CN201910483958.3

    申请日:2019-06-05

    Abstract: 本发明涉及一种基于生成式对抗网络模型的数据增强行人再识别方法,包括使用Mask-RCNN图像分割算法分割出图像中行人的掩膜图像;结合掩膜图像和手工标注行人属性,训练一个端到端的改进星形生成式对抗网络,从一个摄像头下的真实行人图像生成任何数量摄像头下的假训练图像;使用训练好的改进星形生成式对抗网络生成所有真实图像对应的所有相机域的假训练图像;将真实图像和假训练图像一起送入行人再识别模型,计算行人图像间距离并完成行人再识别功能。本发明设计合理,利用生成式对抗网络生成更多的训练样本,同时生成的图像背景能够有效地表示相对应摄像头下的真实场景,有效提高行人再识别模型的鲁棒性和判决能力,有效提高了行人再识别的准确率。

    基于生成式对抗网络模型的数据增强行人再识别方法

    公开(公告)号:CN110188835B

    公开(公告)日:2021-03-16

    申请号:CN201910483958.3

    申请日:2019-06-05

    Abstract: 本发明涉及一种基于生成式对抗网络模型的数据增强行人再识别方法,包括使用Mask‑RCNN图像分割算法分割出图像中行人的掩膜图像;结合掩膜图像和手工标注行人属性,训练一个端到端的改进星形生成式对抗网络,从一个摄像头下的真实行人图像生成任何数量摄像头下的假训练图像;使用训练好的改进星形生成式对抗网络生成所有真实图像对应的所有相机域的假训练图像;将真实图像和假训练图像一起送入行人再识别模型,计算行人图像间距离并完成行人再识别功能。本发明设计合理,利用生成式对抗网络生成更多的训练样本,同时生成的图像背景能够有效地表示相对应摄像头下的真实场景,有效提高行人再识别模型的鲁棒性和判决能力,有效提高了行人再识别的准确率。

    一种基于深度学习的超高清片源检测方法

    公开(公告)号:CN110545416B

    公开(公告)日:2020-10-16

    申请号:CN201910825906.X

    申请日:2019-09-03

    Abstract: 本发明涉及一种基于深度学习的超高清片源检测方法,其主要技术特点是:对超高清片源进行技术符合性检测;对视频文件封装格式进行检测;对码流文件进行检测;构造色域检测的卷积神经网络模型,对视频片源的色域进行检测;构造转换曲线检测的卷积神经网络模型,对视频片源的转换曲线进行检测。本发明设计合理,其通过检测文件格式封装信息,可检测到文件头中封装的相应信息是否符合技术标准,通过检测编码后的码流信息,可检测到码流中标识的相应信息是否正确,并在片源内容特征检测上有效结合了卷积神经网络模型,可检测视频内容实际的色域类别以及测视频内容实际的转换曲线类别,获得了优良的检测结果,使得系统整体检测准确率大大提高。

    一种高动态范围视频端到端实现方法

    公开(公告)号:CN111669532A

    公开(公告)日:2020-09-15

    申请号:CN202010488758.X

    申请日:2020-06-02

    Inventor: 郭晓强 周芸 胡潇

    Abstract: 本发明涉及一种高动态范围视频端到端实现方法,其主要技术特点是:制作视频节目,得到HLG视频;对HLG视频进行编码,得到编码码流;编码码流经过不同的传输网络进行传输;接收端对接收到的传输码流进行解码处理,根据显示终端的显示能力,将HLG视频送至显示终端进行显示。本发明设计合理,其在现有基于HLG的超高清电视系统中,增加PQ动态元数据的提取和传输,如果是现有支持HLG视频的终端,直接显示;如果是支持PQ视频的终端,将HLG转换为PQ视频动态适配后显示,可以在不改变现有传输方式的基础上,实现不同显示终端的最佳还原显示功能。

    一种基于深度学习的超高清片源检测方法

    公开(公告)号:CN110545416A

    公开(公告)日:2019-12-06

    申请号:CN201910825906.X

    申请日:2019-09-03

    Abstract: 本发明涉及一种基于深度学习的超高清片源检测方法,其主要技术特点是:对超高清片源进行技术符合性检测;对视频文件封装格式进行检测;对码流文件进行检测;构造色域检测的卷积神经网络模型,对视频片源的色域进行检测;构造转换曲线检测的卷积神经网络模型,对视频片源的转换曲线进行检测。本发明设计合理,其通过检测文件格式封装信息,可检测到文件头中封装的相应信息是否符合技术标准,通过检测编码后的码流信息,可检测到码流中标识的相应信息是否正确,并在片源内容特征检测上有效结合了卷积神经网络模型,可检测视频内容实际的色域类别以及测视频内容实际的转换曲线类别,获得了优良的检测结果,使得系统整体检测准确率大大提高。

Patent Agency Ranking