-
公开(公告)号：CN110557521A
公开(公告)日：2019-12-10
申请号：CN201810541578.6
申请日：2018-05-30
Applicant: 北京大学 , 北大方正集团有限公司 , 北京北大方正电子有限公司
Abstract: 本发明提供了一种视频去雨的方法、装置、设备及计算机可读存储介质。该方法包括：搭建进行视频去雨的循环深度神经网络模型；对循环深度神经网络模型进行训练，以获得优化后的循环深度神经网络模型；采用优化后的循环深度神经网络模型对待处理的含雨视频进行去雨操作。由于循环深度神经网络模型能够编码相邻帧之间的背景信息，抽取更具有表示性的特征，能够整合含雨视频中的时域和空域上的冗余信息，所以能够达到很好的视频去雨的效果，使恢复出的视频更加准确和清晰。
-
公开(公告)号：CN110362964A
公开(公告)日：2019-10-22
申请号：CN201910486319.2
申请日：2019-06-05
Applicant: 北京大学
Abstract: 本发明提出一种基于多直方图修改的高容量可逆信息隐藏方法，能够在接收端提取秘密信息的同时，无损地恢复图像载体，通过在每个直方图上选取多对图柱来进行信息嵌入，大幅度地提高了嵌入容量，并通过贪心搜索算法，可以快速地得到优化问题的近似最优解，能够针对负载要求和图像内容自适应地选择多个参数，进一步提升了嵌入性能。
-
公开(公告)号：CN110349091A
公开(公告)日：2019-10-18
申请号：CN201810306574.X
申请日：2018-04-08
Applicant: 北京大学 , 北大方正集团有限公司 , 北京北大方正电子有限公司
IPC: G06T5/00
Abstract: 本发明实施例提供一种基于图信号处理的点云修复方法、装置及终端，其中，方法包括：将预先获取的点云划分为互相有重叠部分的多个立方块；确定所述多个立方块中的目标块和与所述目标块相对应的目标源块，所述目标块包含缺失数据；根据所述目标源块中的信息对所述目标块中的缺失区域进行修复，获得修复结果块；利用所述修复结果块替换所述点云中的目标块，获得修复后的点云。本发明通过将点云划分为多个立方块；并确定立方块中的目标块和与所述目标块相对应的目标源块，进一步根据所述目标源块对所述目标块中进行修复，获得修复结果块；最后利用所述修复结果块替换所述点云中的目标块，获得修复后的点云，有效地保证了点云的修复效果。
-
公开(公告)号：CN110232392A
公开(公告)日：2019-09-13
申请号：CN201810178131.7
申请日：2018-03-05
Applicant: 北京大学 , 北大方正集团有限公司 , 北京北大方正电子有限公司
IPC: G06K9/62
Abstract: 本发明提出了一种视觉优化方法、视觉优化系统、计算机设备和计算机可读存储介质。其中，视觉优化方法包括：获取完成预训练的预设卷积神经网络以及预设问题的感知损失函数；根据预设问题的感知损失函数和预设卷积神经网络中预设层数对应的感知损失函数训练得出与预设层数对应的多个模型；根据预设指标评估多个模型；根据评估结果和预设指数权重规则获得多个模型中每个模型的权重；根据每个模型的权重和预设层数对应的感知损失函数获取优化的感知损失函数。本发明充分利用并整合了预训练好的网络从低层到高层，从局部到整体的语义信息，同时具有理论保障，实现了准确细微地指导两张图片的相似性。
-
公开(公告)号：CN106558020B
公开(公告)日：2019-08-30
申请号：CN201510633384.5
申请日：2015-09-29
Applicant: 北京大学 , 北大方正集团有限公司 , 北京北大方正电子有限公司
Abstract: 本发明涉及一种基于网络图像块检索的图像重建方法及系统，该方法包括：检索与待重建图像内容相同的网络图像；将两种图像拆分成子图像，计算每个子图像的纹理特征，对每个待重建图像的子图像，在网络图像中查找纹理特征相似的子图像；将纹理特征相似的子图像分别拆分成图像块，查找联合特征相似的图像块，训练得到外部字典；将待重建图像进行多尺度采样后拆分成图像块，训练得到内部字典；将外部字典和内部字典合并形成重建字典并对待重建图像进行重建，得到重建后的图像。本发明在图像重建过程中，不仅考虑了图像内部的自相似性，还考虑了其他图像的相似信息，并在字典训练时考虑了字典组织的结构性信息，提升了重建图像的分辨率。
-
Patent Agency Ranking
公开(公告)号：CN106327539B
公开(公告)日：2019-06-28
申请号：CN201510379625.8
申请日：2015-07-01
Applicant: 北京大学 , 北大方正集团有限公司 , 北京北大方正电子有限公司
IPC: G06T11/00
Abstract: 本发明提供了一种基于样例的图像重建方法及装置，所述方法包括：将待转换的第一图像划分为r*r大小的第一图像块，r属于预设集合K中的元素；将预设的目标风格图像划分为r*r大小的第二图像块；获取每一第一图像块的目标第二图像块；将所有第一图像块的目标第二图像块融合，重建第一图像的目标风格图像，将第一图像的目标风格图像作为转换后的第二图像；依次获取预设集合K中每一元素r对应的第二图像；采用多层次融合策略将重建的所有第二图像进行融合，得到用于输出的第一图像的目标风格图像。上述方法利用输入图像的结构信息和纹理信息实现对图像目标风格化的重建，进而优化图像的风格化重建效果。
-
公开(公告)号：CN106557769B
公开(公告)日：2019-03-22
申请号：CN201510623712.3
申请日：2015-09-25
Applicant: 北京大学 , 北大方正集团有限公司 , 北京北大方正电子有限公司
Abstract: 本发明涉及一种基于路径积分的MS‑LBP的特征抽取方法及系统，该方法包括：构造跨尺度路径集和多个高通滤波器，并将长度相同的路径和高通滤波器组合形成特征参数组；对每个像素点，根据每一组特征参数组，提取基于路径积分的多尺度局部二值模式pi‑LBP特征值；对每组特征参数组的所有像素点的pi‑LBP特征值构造直方图，并将所有的直方图串联形成图像的最终特征值。本发明通过构造不同的跨尺度路径和高通滤波器，提取不同尺度间的纹理相关性，解决了LBP编码变化单一的问题，能够通过构造不同的路径和滤波器提取出更多有效地特征，从而提高了特征的识别能力。
-
公开(公告)号：CN109101858A
公开(公告)日：2018-12-28
申请号：CN201710470470.8
申请日：2017-06-20
Applicant: 北京大学 , 北大方正集团有限公司 , 北京北大方正电子有限公司
IPC: G06K9/00
Abstract: 本发明提供的动作识别方法及装置确定接收视频数据中的目标帧和目标帧之前的连续若干帧，并在视频数据中提取该目标帧的数据信息和该目标帧之前的连续若干帧的数据信息。对预设个数的增益参数、目标帧的数据信息和目标帧之前的连续若干帧的数据信息进行预设次数的卷积处理，获得高阶特征数据，将该高阶特征数据添加至视频数据中，形成待提取数据，对待提取数据进行时序特征提取，获得特征向量，最后根据特征向量获取动作识别结果，从而可以提取到视频数据的高阶特征，进而提高动作识别的准确度。
-
公开(公告)号：CN108833880A
公开(公告)日：2018-11-16
申请号：CN201810385552.7
申请日：2018-04-26
Applicant: 北京大学
IPC: H04N13/122 , H04N13/366 , H04N21/44 , H04N21/4402 , H04N21/442 , H04N21/845
Abstract: 本发明提出一种利用跨用户行为模式进行视点预测并实现虚拟现实视频最优化传输的方法和装置。在服务器端将全景视频进行处理，包括时间上的切片和空间上的分块和转码操作；在客户端自适应地选取合适的视频片段进行请求。自适应传输过程包含两方面：视点自适应不断根据用户观看方位传输对应的视频内容，对视点进行预测；码率自适应不断调节视频总体的码率，以适应当前网络带宽的变化。为了合理实施两个自适应过程，本发明提出了一种全新的利用跨用户行为模式进行视点预测并实现虚拟现实视频最优化传输的方法和装置，不仅可以保证用户观看区域的视频质量，减少视点预测错误造成的黑窗，也可以保证视频在空间上的稳定性，减少了视频质量的抖动。
-
公开(公告)号：CN108629733A
公开(公告)日：2018-10-09
申请号：CN201710162168.6
申请日：2017-03-17
Applicant: 北京大学 , 北大方正集团有限公司 , 北京北大方正电子有限公司
IPC: G06T3/40
Abstract: 本发明提供一种获取高分辨率图像的方法与装置，方法包括：根据低分辨率图像获取参考图像，参考图像的分辨率大于低分辨率图像的分辨率；在参考图像中确定第一参考图块，第一参考图块中中心位置的像素点作为待调整像素点；在参考图像中确定比较图块；根据比较图块和第一参考图块确定待调整像素点的像素值；在参考图像中确定第二参考图块，第二参考图块中中心位置的像素点与待调整像素点不相同，第二参考图块与第一参考图块的形状和面积相同，将第二参考图块更新为第一参考图块，返回执行在参考图像确定比较图块的操作，直至参考图像中预设个数的像素点均作为待调整像素点，生成高分辨率图像。根据本发明，能更好的获取到高分辨率图像。
-
-
-
-
-
-
-
-
-
Search Results
423
records
(took 0.027 seconds)
