-
公开(公告)号：CN112801877B
公开(公告)日：2022-08-16
申请号：CN202110170643.0
申请日：2021-02-08
Applicant: 南京邮电大学
Abstract: 本发明公开了一种视频帧的超分辨率重构方法，用于将低分辨率的视频恢复成高分辨率的视频。该方法包括：将第一分辨率的第一视频帧及其多个相邻帧输入预先训练的超分辨率重构网络，所述超分辨率重构网络输出第一视频帧对应的第二分辨率的第二视频帧；所述第二分辨率高于第一分辨率；其中，所述超分辨率重构网络包括依次连接的特征提取子网络、时空非局部对齐子网络、注意力渐进融合子网络、上采样子网络。本发明能够充分利用视频序列中的全局的时域与空域相关性，并在时域特征的不断融合中通过注意力机制来减少低质量特征的负面影响，提高高质量特征的贡献权重，因此能够有效提高输出的高分辨率视频的保真性和鲁棒性。
-
公开(公告)号：CN110933429B
公开(公告)日：2021-11-12
申请号：CN201911104216.1
申请日：2019-11-13
Applicant: 南京邮电大学
IPC: H04N19/176 , H04N19/50 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于深度神经网络的视频压缩感知与重构方法和装置。此方法将视频信号划分为关键帧与非关键帧。对于关键帧，采用已有的图像重构方法进行重构。对于非关键帧，此方法创新性的提出了一种特殊的深度神经网络来完成重构。此神经网络由自适应采样模块，多假设预测模块，残差重构模块组成，充分利用了视频信号的时空相关性来完成视频信号的采样与重构，在提高重构质量的同时，保证了算法的低时间复杂度。因此，本发明方法适用于采样端资源受限、对重构质量要求高、对实时性要求高的视频传感系统。
-
公开(公告)号：CN118413542B
公开(公告)日：2024-10-29
申请号：CN202410495278.4
申请日：2024-04-24
Applicant: 南京邮电大学
IPC: H04L67/1095 , G06F9/455 , H04L67/06 , H04L67/568 , H04L43/16
Abstract: 本发明公开了云计算容器领域的一种基于IPFS的分批式镜像分发方法、系统及存储介质，所述方法包括：获取待下载镜像的集群节点列表，计算各节点待分发镜像的镜像层的缓存比例，将每个节点缓存比例与预设节点的阈值进行比较，获取完整镜像；将完整镜像的节点加入源节点列表中，以及将待下载镜像的节点加入需求节点列表中，并根据源节点列表中各节点构建初始IPFS网络，并导出和共享镜像文件；采用优化算法计算目标需求节点，将目标需求节点输入至IPFS网络中进行镜像下载，并将下载后的镜像文件导入并启动容器；下载完成的需求节点从需求节点列表中移出，并添加到源节点列表中，直至需求节点列表为空。本发明能够提高传输效率，以及增加传输过程的鲁棒性。
-
公开(公告)号：CN108769675B
公开(公告)日：2021-12-17
申请号：CN201810565703.7
申请日：2018-06-04
Applicant: 南京邮电大学
IPC: H04N19/114 , H04N19/122 , H04N19/119 , H04N19/139 , H04N19/52
Abstract: 本发明公开了一种基于两阶多假设预测的分布式视频自适应重构方法，在两阶多假设预测的基础上，在第一阶段重构中选取前向重构的关键帧作为前向参考帧；在二次重构中添加了自适应算法，将前向参考帧、后向参考帧以及双向运动补偿算法生成的边信息作为候选参考帧，将所有候选参考帧整合进相同的假设集合中，执行像素域的多假设预测算法得到权重向量；然后计算权重向量的L1范数，通过最大L1范数自适应的选择最终参考帧。本发明充分考虑现有两阶多假设预测的方案，在像素域重构中自适应选择参考帧，解决了由于传统方法选择参考帧所导致的不同类型视频效果不稳定的问题。
-
公开(公告)号：CN109712083B
公开(公告)日：2021-02-12
申请号：CN201811492894.5
申请日：2018-12-06
Applicant: 南京邮电大学
Abstract: 本发明提出一种基于卷积神经网络的单幅图像去雾方法，该方法首先构建训练集作为深度卷积神经网络模型的输入，网络模型包括浅层神经网络模型和深层神经网络模型，浅层网络模型用于提取并融合有雾图像RGB颜色空间的特征，输出为有雾图像的场景深度图；深层网络模型在浅层网络模型的基础上，对场景深度图进行多尺度映射、池化、卷积等操作，输出为有雾图像的透射率图。最后，通过透射率、大气光值以及大气散射模型即可恢复无雾图像。本发明通过对雾化图像RGB颜色空间的特征进行提取和融合，构建浅层卷积神经网络模型，与多尺度深层神经网络模型连接建立端到端的神经网络模型，能在多种场景下实现去雾清晰化，尤其在阴暗环境下可避免图像出现颜色失真。
-
Patent Agency Ranking
公开(公告)号：CN110933429A
公开(公告)日：2020-03-27
申请号：CN201911104216.1
申请日：2019-11-13
Applicant: 南京邮电大学
IPC: H04N19/176 , H04N19/50 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于深度神经网络的视频压缩感知与重构方法和装置。此方法将视频信号划分为关键帧与非关键帧。对于关键帧，采用已有的图像重构方法进行重构。对于非关键帧，此方法创新性的提出了一种特殊的深度神经网络来完成重构。此神经网络由自适应采样模块，多假设预测模块，残差重构模块组成，充分利用了视频信号的时空相关性来完成视频信号的采样与重构，在提高重构质量的同时，保证了算法的低时间复杂度。因此，本发明方法适用于采样端资源受限、对重构质量要求高、对实时性要求高的视频传感系统。
-
公开(公告)号：CN110647580A
公开(公告)日：2020-01-03
申请号：CN201910836417.4
申请日：2019-09-05
Applicant: 南京邮电大学
IPC: G06F16/27 , G06F16/21 , G06F16/215
Abstract: 本发明公开了分布式容器集群镜像管理主节点、从节点、系统及方法。主节点包括：镜像数据库，为分布式数据库，用于存储系统中所有节点的节点信息；请求输入模块，用于接收包括请求目标和命令执行内容的请求内容；镜像管理模块，用于通信密码以及验证请求记录输入模块获取的请求内容是否合法，判断请求内容中的请求目标若为指定的单个从节点或成组的从节点，则向从节点对应的IP地址发送通信密码以及包括拉取操作、更新操作、删除操作和清理操作的命令执行内容；接收从节点发送的状态反馈内容。本发明实现了容器集群镜像的扁平化管理，提高了分布式系统中对集群容器镜像的管理效率以及整个集群的高可靠性和安全性。
-
公开(公告)号：CN106385584B
公开(公告)日：2019-03-01
申请号：CN201610855778.X
申请日：2016-09-28
Applicant: 江苏亿通高科技股份有限公司 , 南京邮电大学
IPC: H04N19/172 , H04N19/105 , H04N19/593
Abstract: 本发明公开了一种基于空域相关性的分布式视频压缩感知自适应采样编码方法，充分利用key帧的空域相关性，自适应采样编码。将key帧图像块按帧内空域相关性大小划分为non‑key块与key块。non‑key块利用相邻key块的重构块生成边信息，采用低采样率压缩重构；key块采用自适应高采样率的压缩重构。在相同总采样率情况下，能够提升重构图像帧质量；该方法解决了传统分布式视频压缩感知系统中key帧图像块采样率非自适应的问题。
-
公开(公告)号：CN107682701A
公开(公告)日：2018-02-09
申请号：CN201710750320.2
申请日：2017-08-28
Applicant: 南京邮电大学
IPC: H04N19/172 , H04N19/42 , H04N19/43 , H04N19/85
Abstract: 本发明公开了基于感知哈希算法的分布式视频压缩感知自适应分组方法，针对在分布式视频压缩感知系统中当视频序列变化剧烈或发生场景切换时，采用固定的图像分组将导致参考帧选择的不准确进而严重影响非关键帧的重构质量，如果非关键帧与相邻关键帧的重构质量相差过大，解码端将产生视频闪烁效应的问题，本发明首先利用感知哈希算法评估图像的时域相关性大小，并根据时域相关性大小将图像分级，然后进行自适应图像分组；在自适应图像分组基础上，采用一种新的帧采样率分配模型进一步提高总体重构质量。本发明在保持总采样率不变的前提下，有效降低了解码视频中视频闪烁程度，为分布式视频压缩感知系统进一步提高提高服务质量和用户体验提供了可能。
-
公开(公告)号：CN106385584A
公开(公告)日：2017-02-08
申请号：CN201610855778.X
申请日：2016-09-28
Applicant: 江苏亿通高科技股份有限公司 , 南京邮电大学
IPC: H04N19/172 , H04N19/105 , H04N19/593
CPC classification number: H04N19/172 , H04N19/105 , H04N19/593
Abstract: 本发明公开了一种基于空域相关性的分布式视频压缩感知自适应采样编码方法，充分利用key帧的空域相关性，自适应采样编码。将key帧图像块按帧内空域相关性大小划分为non-key块与key块。non-key块利用相邻key块的重构块生成边信息，采用低采样率压缩重构；key块采用自适应高采样率的压缩重构。在相同总采样率情况下，能够提升重构图像帧质量；该方法解决了传统分布式视频压缩感知系统中key帧图像块采样率非自适应的问题。
-
-
-
-
-
-
-
-
-
Search Results
28
records
(took 0.024 seconds)
