-
公开(公告)号：CN116996694A
公开(公告)日：2023-11-03
申请号：CN202310845073.X
申请日：2023-07-10
Applicant: 北京大学深圳研究生院
IPC: H04N19/597 , H04N19/117 , H04N19/124 , H04N19/147 , H04N19/154
Abstract: 本申请公开了一种点云编码轻量化系统、点云编码轻量化系统的运行方法、终端设备以及计算机可读存储介质，属于点云压缩技术领域。该点云编码轻量化系统包括：滤波器重要性评价模块，被配置为使用率失真损失和机器视觉损失评价点云编码网络中各滤波器的重要性；量化瘦身模块，被配置为根据各所述滤波器各自的重要性对各所述滤波器中的目标滤波器进行量化以对所述点云编码网络进行瘦身。采用本申请技术方案能够实现专门针对基于体素的点云压缩编码网络减少其参数量和计算量。
-
公开(公告)号：CN116248897A
公开(公告)日：2023-06-09
申请号：CN202310144875.8
申请日：2023-02-16
Applicant: 北京大学深圳研究生院
IPC: H04N19/42 , H04N19/124 , H04N19/91 , H04N19/60
Abstract: 本申请公开了一种图像处理方法、系统、电子设备及计算机可读存储介质，所述方法包括：将原始图像分割为JND点图像和残差图像；将所述JND点图像和所述残差图像输入到预设的多级残差补偿网络模型中，输出得到潜在表示参数；对所述潜在表示参数依次进行量化和熵编码，得到所述原始图像对应的目标压缩图像。本申请提高了图像压缩的压缩效果。
-
公开(公告)号：CN116206120A
公开(公告)日：2023-06-02
申请号：CN202310051947.4
申请日：2023-02-02
Applicant: 北京大学深圳研究生院
IPC: G06V10/40 , G06V10/766 , G06V10/764 , G06V20/40 , G06V10/82
Abstract: 一种统一的无参考图像视频质量评价模型及其最优初始化方法，模型包括特征提取器和质量回归器，其中，特征提取器包括图像分类网络和全局空间平均池化层；质量回归器则是由第一线性层、层归一化层、两层结构的门控循环单元、层归一化层、第二线性层和全局时间平均池化层依次组成；模型最优初始化方法包括：特征提取器的初始化：在图像分类任务上训练好的分类网络的参数被用来初始化模型特征提取器对应层的参数；质量回归器的初始化：图像质量回归器的参数初始化采用随机初始化的方式，而视频质量初始化则是采用训练好的图像质量器的参数进行初始化。本发明模型可以满足在没有或无法获得对应原始图像和视频的情况下评估图像和视频质量的现实需求。
-
公开(公告)号：CN116128719A
公开(公告)日：2023-05-16
申请号：CN202211618585.4
申请日：2022-12-15
Applicant: 北京大学深圳研究生院
IPC: G06T3/40 , G06T5/00 , G06V10/80 , G06N3/0464 , G06N3/096
Abstract: 本发明公开了一种混合退化光场的超分辨率方法、装置、终端及存储介质，包括：将超分辨率任务中的下采样退化和噪声退化分解为光场超分辨率任务和光场去噪任务；对第一教师网络进行超分辨率重建训练，得到光场超分辨率任务下的第一教师特征；对第二教师网络进行光场去噪训练，得到光场去噪任务下的第二教师特征；根据第一教师特征和第二教师特征对学生网络进行蒸馏学习，并根据融合特征对学生网络进行训练；通过训练后的学生网络对光场进行混合退化，将混合退化特征的解耦进行聚合，重构得到去噪后的高分辨率的光场。本发明将混合任务解耦为简单任务，通过简单任务提供先验信息，使得学生网络学习混合退化的重建，实现了光场退化的超分辨率。
-
公开(公告)号：CN115379228A
公开(公告)日：2022-11-22
申请号：CN202211023309.3
申请日：2022-08-25
Applicant: 北京大学深圳研究生院
IPC: H04N19/146 , H04N19/147 , H04N19/154 , H04N19/124
Abstract: 本申请提供了一种视频编码的码率控制方法、装置及存储介质，方法包括：确定出目标视频的视频质量特征、时间复杂度特征以及空间复杂度特征；将视频质量特征、时间复杂度特征以及空间复杂度特征输入至预先训练好的用户感知训练模型之中，输出用户失真感知度；基于量化参数与用户失真感知度之间的函数关系以及率失真函数，确定出用户失真感知度和编码码率之间的第一目标函数；基于第二目标函数以及第一目标函数，对目标视频的各个视频帧的码率进行控制。实现了结合缓冲区状态和用户主观感知质量进行帧级别的码率控制，能够有效减少编码过程中的编码器缓冲区的上溢和下溢现象，在考虑编码器缓冲区丢帧的情况下能够提高视频的主观感知质量指标。
-
Patent Agency Ranking
公开(公告)号：CN115115721A
公开(公告)日：2022-09-27
申请号：CN202210887347.7
申请日：2022-07-26
Applicant: 北京大学深圳研究生院
Abstract: 本申请提供了一种神经网络图像压缩模型的枝剪方法和装置，其中，该方法包括：对于每个候选神经网络图像压缩模型，将图像测试数据集中的测试图像依次输入到该候选神经网络图像压缩模型中，得到多个重建图像；对于每个重建图像，对该重建图像和图像测试数据集中与该重建图像对应的目标测试图像进行比较，得到用于表示该候选神经网络图像压缩模型去除测试图像中信息冗余能力的损失值；在得到所有候选神经网络图像压缩模型对应的损失值后，对原神经网络图像压缩模型中的候选特征提取器进行枝剪，以得到第一神经网络图像压缩模型，通过上述方法，可以对神经网络图像压缩模型进行模型压缩的同时还具有相对较好的图像压缩效果。
-
公开(公告)号：CN114758078A
公开(公告)日：2022-07-15
申请号：CN202210541385.7
申请日：2022-05-17
Applicant: 北京大学深圳研究生院
Abstract: 本申请提供了一种点云数据处理方法、装置、电子设备及存储介质，方法包括：S1、获取目标种类的n个对象的点云数据；S2、对于每一点云数据，将该点云数据输入到编码器中进行编码，得到该点云数据对应的第一隐码向量；S3、对于每一点云数据，将该点云数据和该点云数据对应的第一隐码向量输入到可逆解码器中，进行目标流程的正向过程，得到目标矩阵；S4、基于高斯分布矩阵和目标矩阵计算损失值；S5、若损失值大于预设损失值，则对编码器和可逆解码器进行优化，并重复S1～S4，直至损失值小于预设损失值，以将当前的可逆解码器作为训练完成后的可逆解码器。本申请能够使得训练完成后的可逆点云解码器重建的点云具有更丰富的细节。
-
公开(公告)号：CN114723629A
公开(公告)日：2022-07-08
申请号：CN202210330045.X
申请日：2022-03-31
Applicant: 北京大学深圳研究生院
IPC: G06T5/00
Abstract: 本发明的基于对抗学习的点云去噪增强方法，包括如下步骤：在深度点云去噪网络训练过程中，将点云噪声置信度估计模块嵌入原始点云去噪网络；将带噪点云输入到嵌入点云噪声置信度估计模块的深度点云去噪网络中，根据点云噪声置信度估计模块估计出的点云置信度向量以及深度点云去噪网络预测出的去噪点云结果计算对抗损失；每次迭代时根据对抗损失扰动输入点云，生成对抗样本加入训练。本发明的基于对抗学习的点云去噪增强方法，能够动态的生成模型难以处理的对抗样本，提升点云去噪训练的数据多样性，在生成高斯噪声和模拟激光雷达采样噪声去噪任务上本发明增强后的模型相较于基准模型都有一定的提升。
-
公开(公告)号：CN114612753A
公开(公告)日：2022-06-10
申请号：CN202210225261.8
申请日：2022-03-09
Applicant: 北京大学深圳研究生院
IPC: G06V10/776 , G06V10/774 , G06K9/62
Abstract: 本申请提供了一种图像识别模型的训练方法、装置、电子设备及存储介质，该方法包括：获取样本图像对应的第一图像特征向量；根据所有样本图像对应的类别和第一图像特征向量，计算每个类别的平均图像特征向量；将样本图像输入到最新更新的图像识别模型中，得到样本图像对应的分数向量；根据所有类别的平均图像特征向量和样本图像对应的分数向量，确定样本图像对应的第二图像特征向量；将样本图像的图像特征向量减去与样本图像对应的第二图像特征向量，计算样本图像的第三图像特征向量；根据所有样本图像的第三图像特征向量及其类别，对最新更新的图像识别模型进行模型更新。本申请能够消除干扰识别结果的图像特征，即上下文偏移现象。
-
公开(公告)号：CN111698508B
公开(公告)日：2022-05-31
申请号：CN202010514172.6
申请日：2020-06-08
Applicant: 北京大学深圳研究生院
IPC: H04N19/13 , H04N19/132 , H04N19/184 , H04N19/42
Abstract: 本发明公开了一种基于超分辨率的图像压缩方法、设备及存储介质，该方法包括：输入待压缩图像，由压缩分辨率CR模块对所述待压缩图像的分辨率进行压缩，获得目标低分辨率图像；获取目标低分辨率图像的相位一致性特征；将相位一致性特征输入预先设置的编解码器，由编解码器输出初始压缩图像；将初始压缩图像输入超分辨率SR模块，由SR模块对所述初始压缩图像进行超分辨率处理，获得与待压缩图像尺寸一致的目标压缩图像。由此通过CR模块获得待压缩图像的低分辨率图像，并提取低分辨率图像的相位一致性特征，再通过编解码器获得初始压缩图像，并基于SR模块进行超分辨率处理，达到了提升压缩图像的质量，获的性能增益的效果。
-
-
-
-
-
-
-
-
-
Search Results
112
records
(took 0.04 seconds)
