-
公开(公告)号：CN108875754B
公开(公告)日：2022-04-05
申请号：CN201810426492.9
申请日：2018-05-07
Applicant: 华侨大学
IPC: G06V10/44 , G06V10/764 , G06K9/62
Abstract: 本发明涉及一种基于多深度特征融合的车辆再识别方法，包括：提取训练车辆图像的深度ID特征，提取训练车辆图像的深度颜色特征，提取训练车辆图像的深度车型特征，将提取的三种深度特征进行组合，获得融合特征，通过Softmax分类函数对融合后的深度特征进行分类。本发明对输入的车辆图像提取深度ID特征、深度颜色特征和深度车型特征并进行有效地融合，实现三种深度特征的互补，获得更有表征能力的融合特征，从而实现准确的车辆再识别。
-
公开(公告)号：CN108875754A
公开(公告)日：2018-11-23
申请号：CN201810426492.9
申请日：2018-05-07
Applicant: 华侨大学
Abstract: 本发明涉及一种基于多深度特征融合的车辆再识别方法，包括：提取训练车辆图像的深度ID特征，提取训练车辆图像的深度颜色特征，提取训练车辆图像的深度车型特征，将提取的三种深度特征进行组合，获得融合特征，通过Softmax分类函数对融合后的深度特征进行分类。本发明对输入的车辆图像提取深度ID特征、深度颜色特征和深度车型特征并进行有效地融合，实现三种深度特征的互补，获得更有表征能力的融合特征，从而实现准确的车辆再识别。
-
公开(公告)号：CN109996084B
公开(公告)日：2022-11-01
申请号：CN201910361446.X
申请日：2019-04-30
Applicant: 华侨大学
IPC: H04N19/59 , H04N19/119 , H04N19/14 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于多分支卷积神经网络的HEVC帧内预测方法，属于视频编码领域，本方法使用多分支卷积神经网络，对每个CTU进行预处理，并分别作为不同分支的卷积神经网络的输入，经过卷积计算之后，将得到的特征进行全连接，考虑不同QP值的影响，并最终输出三个分支的分类结果，三个分支分别对应每个CTU中深度等级0，1，2，判断三个深度等级的CU是否继续划分或者停止划分。本发明一种基于多分支卷积神经网络的HEVC帧内预测方法能够有效地减少编码器计算开销，在保持编码性能基本不变的情况下，减少编码时间。
-
Patent Agency Ranking
公开(公告)号：CN109996084A
公开(公告)日：2019-07-09
申请号：CN201910361446.X
申请日：2019-04-30
Applicant: 华侨大学
IPC: H04N19/59 , H04N19/119 , H04N19/14 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于多分支卷积神经网络的HEVC帧内预测方法，属于视频编码领域，本方法使用多分支卷积神经网络，对每个CTU进行预处理，并分别作为不同分支的卷积神经网络的输入，经过卷积计算之后，将得到的特征进行全连接，考虑不同QP值的影响，并最终输出三个分支的分类结果，三个分支分别对应每个CTU中深度等级0，1，2，判断三个深度等级的CU是否继续划分或者停止划分。本发明一种基于多分支卷积神经网络的HEVC帧内预测方法能够有效地减少编码器计算开销，在保持编码性能基本不变的情况下，减少编码时间。
-
公开(公告)号：CN110309770B
公开(公告)日：2022-09-30
申请号：CN201910577021.2
申请日：2019-06-28
Applicant: 华侨大学
Abstract: 本发明涉及一种基于四元组损失度量学习的车辆再辨识方法，包括：构建参数共享的四分支卷积神经网络，设计四元组损失函数，对输入的四元组图像进行距离度量学习。本发明特别考虑了车辆再辨识中的特殊难点，即，车型和颜色都相同的车辆具有非常相似的车辆外观，能够有效地解决车辆再辨识中对于高相似度车辆识别精度不高的问题。
-
公开(公告)号：CN109982092A
公开(公告)日：2019-07-05
申请号：CN201910349667.5
申请日：2019-04-28
Applicant: 华侨大学
IPC: H04N19/503 , H04N19/119 , H04N19/14 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于多分支循环卷积神经网络的HEVC帧间快速方法，属于视频编码领域，方法包括：首先使用多分支卷积神经网络，对每个CTU进行预处理，并分别作为不同分支的卷积神经网络的输入，经过卷积计算之后，将得到的特征进行全连接，分为三个分支输出特征向量，再利用循环神经网络将特征向量和上一时刻的状态向量进行处理，并加入不同QP值的考量，最终输出三个分支的分类结果，三个分支分别对应每个CTU中深度等级0、1或2，判断三个深度等级的CU是否继续划分或者停止划分。本发明一种基于多分支循环卷积神经网络的HEVC帧间快速方法能够减少编码器计算开销，在保持编码性能基本不变的情况下，减少编码时间。
-
公开(公告)号：CN109982092B
公开(公告)日：2022-11-01
申请号：CN201910349667.5
申请日：2019-04-28
Applicant: 华侨大学
IPC: H04N19/503 , H04N19/119 , H04N19/14 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于多分支循环卷积神经网络的HEVC帧间快速方法，属于视频编码领域，方法包括：首先使用多分支卷积神经网络，对每个CTU进行预处理，并分别作为不同分支的卷积神经网络的输入，经过卷积计算之后，将得到的特征进行全连接，分为三个分支输出特征向量，再利用循环神经网络将特征向量和上一时刻的状态向量进行处理，并加入不同QP值的考量，最终输出三个分支的分类结果，三个分支分别对应每个CTU中深度等级0、1或2，判断三个深度等级的CU是否继续划分或者停止划分。本发明一种基于多分支循环卷积神经网络的HEVC帧间快速方法能够减少编码器计算开销，在保持编码性能基本不变的情况下，减少编码时间。
-
公开(公告)号：CN110309770A
公开(公告)日：2019-10-08
申请号：CN201910577021.2
申请日：2019-06-28
Applicant: 华侨大学
Abstract: 本发明涉及一种基于四元组损失度量学习的车辆再辨识方法，包括：构建参数共享的四分支卷积神经网络，设计四元组损失函数，对输入的四元组图像进行距离度量学习。本发明特别考虑了车辆再辨识中的特殊难点，即，车型和颜色都相同的车辆具有非常相似的车辆外观，能够有效地解决车辆再辨识中对于高相似度车辆识别精度不高的问题。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.017 seconds)
