-
公开(公告)号：CN117915102A
公开(公告)日：2024-04-19
申请号：CN202410142922.X
申请日：2024-02-01
Applicant: 重庆邮电大学
IPC: H04N19/186 , H04N19/103 , H04N19/96
Abstract: 本发明属于视频编码领域，具体涉及一种基于内容划分的VVC SCC快速模式决策方法，包括：将视频帧亮度分量分割成64x64的CU；设计模式决策模型并对其进行训练；通过内容预测子网络预测该CU的类别概率，根据概率值将他们分类；若CU的类别为混合内容，继续预测内容；对于分类为自然内容的CU，直接选择Intra模式；对于分类为动画内容A和屏幕内容TGM的CU，进一步将其特征图送入模式预测子网络预测每个模式的概率；根据动画内容A和屏幕内容TGM的CU的编码概率值进行最优模式决策。本发明针对VVC复杂的划分结构进行了优化，通过使用CNN模型和基于组合的分类子网络，以实现对CU的内容分类和模式预测。
-
公开(公告)号：CN117880532A
公开(公告)日：2024-04-12
申请号：CN202410057279.0
申请日：2024-01-15
Applicant: 重庆邮电大学
IPC: H04N19/96 , H04N19/593 , H04N19/147 , H04N19/176
Abstract: 本发明涉及一种基于VVC的屏幕内容快速模式决策方法，包括：根据图像内容利用基于组合的分类策略将编码单元划分为屏幕内容CU、自然内容CU以及混合内容CU；根据CU之间的空间相关性对自然内容CU进行模式决策；根据CU的纹理特征和空间相关性特征以及中间编码信息对屏幕内容CU进行模式决策；对于混合内容CU则保留VVC默认的模式决策；本发明对于自然内容CU结合空间相关性跳过非Intra模式的检查，对于屏幕内容CU利用决策树来进行模式检查排序以及模式检查提前终止预测，实现了模式检查候选列表的缩减，减少了视频编码的时间。
-
公开(公告)号：CN103439972A
公开(公告)日：2013-12-11
申请号：CN201310338671.4
申请日：2013-08-06
Applicant: 重庆邮电大学
IPC: G05D1/02
Abstract: 本发明提出了一种动态复杂环境下的移动机器人全局路径规划方法，包括步骤：根据实际环境建立全局环境地图；建立动态障碍物环境；利用栅格法得到栅格地图；栅格法表示的障碍物分布图转化为图的赋权邻接矩阵；采用蚁群算法对环境进行全局路径规划，并使用退步法则处理环境中的陷阱问题；判断路径的当前位置是否到达目标点，如没有到达指定目标点的位置，则重复以上步骤；当前位置已经是指定的目标点位置，结束；本方法简单且易于实现，路径规划效果良好。
-
公开(公告)号：CN118400528B
公开(公告)日：2024-10-18
申请号：CN202410224459.3
申请日：2024-02-29
Applicant: 重庆邮电大学
IPC: H04N19/13 , H04N19/122 , H04N19/132 , H04N19/159 , H04N19/186 , G06T9/00 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及视频编码领域，具体涉及一种多尺度360度视频帧内快速划分方法，包括构建并训练CU在不同尺寸不同纬度类别下的划分模式预测模型；获取待处理图像帧的亮度分量图像，对该亮度分量图像进行分割处理得到8种目标CU；针对每一目标CU的尺寸大小和纬度类别选取对应的划分模式预测模型，计算得到每一目标CU选取每一种划分模式的概率值；基于概率值，通过多级阈值选择方法确定每一目标CU的最优划分模式；本发明减少了需要计算RD cost的模式数量，从而减小了编码过程中的计算复杂度，提高了编码效率。
-
公开(公告)号：CN118018740B
公开(公告)日：2024-10-11
申请号：CN202410208011.2
申请日：2024-02-26
Applicant: 重庆邮电大学
IPC: H04N19/147 , H04N19/51 , H04N19/176 , H04N19/96
Abstract: 本发明提供一种基于深度学习的360度视频帧间模式决策方法，包括：当CU的运动状态为静止状态的预测概率大于等于第一设定阈值时跳过MMVD模式、CIIP模式、Affine模式、GPM模式、AMVP模式和Intra模式的率失真检查；当CU的运动状态为静止状态的预测概率大于等于第二设定阈值小于第一设定阈值时跳过MMVD模式、CIIP模式、GPM模式、AMVP模式和Intra模式的率失真检查；反之在编码完Merge模式和Affine模式后进行提前终止预测终止剩余模式的率失真检查，反之进行最优模式预测；当最优模式列表中前几个模式的概率之和大于第四设定阈值时，则终止列表中后续模式的率失真检查。
-
Patent Agency Ranking
公开(公告)号：CN118735063A
公开(公告)日：2024-10-01
申请号：CN202410858823.1
申请日：2024-06-28
Applicant: 重庆邮电大学
IPC: G06Q10/04 , G06Q30/01 , G06F18/23213 , G06F18/214 , G06F17/10
Abstract: 本发明涉及一种基于数据场聚类的客户细分方法，属于数据处理技术领域。本发明利用可解释性机器学习作为中间过程，将客户流失预测和客户细分无缝衔接起来；在进行流失预测之后，采用可解释性机器学习对客户流失预测模型进行解释分析，评估每个特征的重要性；之后，利用基于数据场的聚类方法来对每个数据中的流失客户和非流失客户分别进行细分；通过分析不同客户群体的特征，理解客户流失和留下背后的真正原因。通过本发明CSP能够根据客户需求和消费特征进行个性化定制，为不同客户群体提供差异化的产品和服务，并实现精准营销。
-
公开(公告)号：CN103439972B
公开(公告)日：2016-06-29
申请号：CN201310338671.4
申请日：2013-08-06
Applicant: 重庆邮电大学
IPC: G05D1/02
Abstract: 本发明提出了一种动态复杂环境下的移动机器人全局路径规划方法，包括步骤：根据实际环境建立全局环境地图；建立动态障碍物环境；利用栅格法得到栅格地图；栅格法表示的障碍物分布图转化为图的赋权邻接矩阵；采用蚁群算法对环境进行全局路径规划，并使用退步法则处理环境中的陷阱问题；判断路径的当前位置是否到达目标点，如没有到达指定目标点的位置，则重复以上步骤；当前位置已经是指定的目标点位置，结束；本方法简单且易于实现，路径规划效果良好。
-
公开(公告)号：CN117915080B
公开(公告)日：2024-10-01
申请号：CN202410131440.4
申请日：2024-01-31
Applicant: 重庆邮电大学
IPC: H04N19/103 , H04N19/186 , H04N19/176
Abstract: 本发明属于视频编码领域，具体涉及一种适用于VVC SCC的快速编码模式决策方法，包括：将视频帧亮度分量分割成不同大小的子块并分为四组；对四组CU分别设计四种基于卷积神经网络的模式分类器，并设计损失函数进行训练；通过训练后的模式分类器并行预测每个子块的编码模式概率；对每个子块的编码模式概率进行排序，从大到小选择前n个模式的概率并求和，当所选模式的概率和大于设定阈值时，停止选择，得到最优编码模式。本发明针对VVC复杂的划分结构进行了优化，通过使用卷积神经网络，实现了对编码单元(CU)的模式快速预测，能够有效地跳过不可能的模式，显著减少了不必要的模式检查，从而大幅提高了编码速度。
-
公开(公告)号：CN103487047B
公开(公告)日：2016-05-11
申请号：CN201310340510.9
申请日：2013-08-06
Applicant: 重庆邮电大学
Abstract: 本发明提供了一种基于改进粒子滤波的移动机器人定位方法，包括步骤：建立机器人的运动方程和路标计算方程；用多agent粒子群优化算法优化粒子集，所得的最优值为对位姿的估计；利用卡尔曼滤波算法对环境路标进行估计；权重更新及归一化，重采样。本发明定位方法定位准确且易于实现，在移动机器人的仿真过程中，移动机器人的位姿估计和环境路标估计更加精确。
-
公开(公告)号：CN118018740A
公开(公告)日：2024-05-10
申请号：CN202410208011.2
申请日：2024-02-26
Applicant: 重庆邮电大学
IPC: H04N19/147 , H04N19/51 , H04N19/176 , H04N19/96
Abstract: 本发明提供一种基于深度学习的360度视频帧间模式决策方法，包括：当CU的运动状态为静止状态的预测概率大于等于第一设定阈值时跳过MMVD模式、CIIP模式、Affine模式、GPM模式、AMVP模式和Intra模式的率失真检查；当CU的运动状态为静止状态的预测概率大于等于第二设定阈值小于第一设定阈值时跳过MMVD模式、CIIP模式、GPM模式、AMVP模式和Intra模式的率失真检查；反之在编码完Merge模式和Affine模式后进行提前终止预测终止剩余模式的率失真检查，反之进行最优模式预测；当最优模式列表中前几个模式的概率之和大于第四设定阈值时，则终止列表中后续模式的率失真检查。
-
-
-
-
-
-
-
-
-
Search Results
17
records
(took 0.024 seconds)
