-
公开(公告)号：CN117011164A
公开(公告)日：2023-11-07
申请号：CN202310749198.2
申请日：2023-06-24
Applicant: 复旦大学 , 中国电子科技南湖研究院
Abstract: 本发明属于图像处理技术领域，具体为一种基于神经网络的ISP即插即用亮度调节模块。本发明亮度调节模块数学表示为一个线性映射函数：y＝w*x+b，输入x为按色彩通道分离后的RAW图数据Irggb和亮度调节系数α的乘积，即x＝Irggb*α，输出y为期望曝光条件下的RAW图；w和b为亮度调节模块可学习系数；亮度调节模块训练时，使用与神经网络图像信号处理器使用相同的数据集；通过反向传播优化算法更新映射系数w和b。本发明在不改变神经网络图像信号处理器结构的条件下，赋予使用相机曝光系数控制输出图像亮度水平的能力，能够自适应地控制输出图像亮度。
-
公开(公告)号：CN113989102A
公开(公告)日：2022-01-28
申请号：CN202111217043.1
申请日：2021-10-19
Applicant: 复旦大学
Abstract: 本发明属于计算机视觉技术领域，具体为一种具有高保形性的快速风格迁移方法。本发明首先通过精简的内容和风格编码器分别提取内容和风格特征，然后利用多层级自适应实例正则化根据风格特征风格化内容特征，最后通过精简的解码器完成风格化的特征到风格化图片的映射；本发明进一步通过提出的加权风格损失函数，来保证训练的过程中的平衡，从而促进全局和局部风格迁移。本发明方法不仅对风格的迁移到位，并且具有更优的保形性，而且计算量小，保证了高分辨的实时性。
-
公开(公告)号：CN113673510A
公开(公告)日：2021-11-19
申请号：CN202110863996.9
申请日：2021-07-29
Applicant: 复旦大学
Abstract: 本发明属于计算机视觉领域，具体为一种结合特征点和锚框共同预测和回归的目标检测算法。本发明算法步骤包括：获取目标检测数据集，经处理得到图像/目标标签信息样本对；对训练集进行预处理，利用数据增强来扩充数据集；搭建目标检测网络，包括特征提取模块、特征融合模块、特征点检测分支和锚框检测分支；训练网络模型；把待检测图片输入检测网络即获得目标种类和位置信息。本算法利用特征点检测分支，通过关键点来获得更加精准的先验锚框，克服了手工设计锚框参数的缺点，可获得更加精准的检测结果，并且可以迁移到其他不同的检测任务中。
-
公开(公告)号：CN112258561A
公开(公告)日：2021-01-22
申请号：CN201910659410.X
申请日：2019-07-22
Applicant: 复旦大学
Abstract: 本发明提供一种针对图像拼接的匹配点获取方法，用于在可检测特征不明显的情况下获取足够多的匹配点来完成图像拼接，其特征在于，包括如下步骤：步骤S1，获取待拼接的两张图像作为待拼接图像；步骤S2，将待拼接图像输入预设的卷积神经网络模型从而获取分别对应两张待拼接图像的特征图；步骤S3，利用预先建立的计算模型，并通过预定位方法以及细定位方法获取分别对应两张待拼接图像的特征图之间的匹配点；步骤S4，根据预先建立的定位模型将匹配点从特征图映射到待拼接图像中形成图像匹配点；步骤S5，根据图像匹配点完成待拼接图像的拼接。
-
公开(公告)号：CN105573717B
公开(公告)日：2018-02-06
申请号：CN201410529493.8
申请日：2014-10-08
IPC: G06F9/38
Abstract: 本发明实施例提供一种面向多核处理器的程序划分方法及装置，涉及计算机技术领域，能够将整个程序划分为多个程序模块，且无需依赖于操作系统。该方法包括：从源程序的数据结构中的入口节点开始，依次标记该源程序的数据结构中的N个节点的层级，若该N个节点中层级为M的第一节点的计算量小于预设的第一计算量阈值，则为第一节点确定一个目标节点，将第一节点和第一节点的目标节点合并为第二节点，第二节点的层级与第一节点的目标节点的层级相同，将M加1，重复执行上述节点的合并过程，直至该源程序的数据结构中的所有节点合并结束。该方法用于将源程序划分为多个程序模块映射到CMP中执行。
-
Patent Agency Ranking
公开(公告)号：CN105573717A
公开(公告)日：2016-05-11
申请号：CN201410529493.8
申请日：2014-10-08
IPC: G06F9/38
Abstract: 本发明实施例提供一种面向多核处理器的程序划分方法及装置，涉及计算机技术领域，能够将整个程序划分为多个程序模块，且无需依赖于操作系统。该方法包括：从源程序的数据结构中的入口节点开始，依次标记该源程序的数据结构中的N个节点的层级，若该N个节点中层级为M的第一节点的计算量小于预设的第一计算量阈值，则为第一节点确定一个目标节点，将第一节点和第一节点的目标节点合并为第二节点，第二节点的层级与第一节点的目标节点的层级相同，将M加1，重复执行上述节点的合并过程，直至该源程序的数据结构中的所有节点合并结束。该方法用于将源程序划分为多个程序模块映射到CMP中执行。
-
公开(公告)号：CN105069067A
公开(公告)日：2015-11-18
申请号：CN201510456921.3
申请日：2015-07-30
Applicant: 复旦大学
IPC: G06F17/30
CPC classification number: Y02D10/45 , G06F17/30598
Abstract: 本发明属于算法并行领域，具体为一种改进的Canopy并行算法实现结构。本发明采用链式节点连接结构，当数据判断是该节点归属簇的强节点，则将该点归属化于这个簇，并处理下个数据；否则将数据传到下个节点并将其启动工作；重复上述工作直到所有数据都处理完毕。所述链式结构由平等分配工作的节点串联组成，并形成环形圈；每个节点不断扫描前面节点发来的消息，若有数据会寄存到数据缓冲区，等待处理；但数据缓冲区内数据已经处理完毕并且一定时间后仍然没有数据过来，该节点自动休眠，直到下个节点唤醒。各个簇的强聚类点都存储在各自节点下面，所有簇的弱聚类点集和中心点为全局可见。本发明可大大降低通信量和功耗，提高运行速度。
-
公开(公告)号：CN119211557A
公开(公告)日：2024-12-27
申请号：CN202410738687.2
申请日：2024-06-07
Applicant: 复旦大学
IPC: H04N19/147 , H04N19/159 , H04N19/196 , H04N19/96 , H04N19/42 , G06N3/0464
Abstract: 本发明属于视频压缩编解码技术领域，具体为一种面向机器视频编码的快速VVC帧内编码方法。本发明采用神经网络技术，把卷积神经网络（CNN）块和深度变形器（transformer）块的编码器与解码器串联；实现高效、准确的编码，使得对编码块的分割判决更加精确。本发明还通过重新训练CNN网络指导块划分，减少率失真优化（RDO）过程的复杂度，该方法特别适用于新一代的通用视频编码标准VVC。本发明可以在减少编码复杂度的同时，显著提升视频编解码的性能，特别是在面向机器的应用场景。
-
公开(公告)号：CN119071487A
公开(公告)日：2024-12-03
申请号：CN202410911011.9
申请日：2024-07-09
Applicant: 复旦大学
IPC: H04N19/124 , H04N19/117 , H04N19/176 , H04N19/154
Abstract: 本发明属于数字高清视频编解码技术领域，具体为一种联合编码前滤波的自适应量化参数调整方法。本发明依托于包含GBTF的软件视频编解码平台，包括基于图像组的时域滤波模块、自适应量化模块、编码器；原始像素输入时域滤波模块，经时域滤波模块处理输出的滤波像素输入编码器；同时，原始像素输入自适应量化模块，时域滤波模块输出其时域块匹配过程中产生的匹配误差输入到自适应量化模块；自适应量化模块将输入的原始像素与匹配误差进行处理，输出调整后的量化参数，并输入编码器；编码器对输入滤波像素与量化参数进行编码，输出编码码流。实验证明，本发明在HEVC标准的参考软件HM上和在VTM19.0软件平台上能够有效提升编码器的压缩效率。
-
公开(公告)号：CN118741143A
公开(公告)日：2024-10-01
申请号：CN202410738686.8
申请日：2024-06-07
Applicant: 复旦大学
IPC: H04N19/42 , H04N19/40 , H04N19/44 , H04N19/20 , H04N19/146 , H04N19/167 , H04N19/166 , H04L67/10
Abstract: 本发明属于视频编码技术领域，具体为用于机器视频编码的具有隐私保护功能的自编码器。用于机器视频编码（VCM）包含需要保护隐私的敏感信息，以解决安全漏洞。在保护这些敏感数据的同时保持VCM性能的平衡。本发明引入由深度学习网络集成的自编码器，使用ResNet架构。这种设计模糊私人细节，同时保留轮廓；具体提供一个维护隐私和VCM性能的高维表示；编码器和解码器之间的分割位置是至关重要的，它影响压缩效率与机器任务性能之间的平衡。本发明设计了一个灵活的、可调节位置的自编码器设置，实现比特率和mAP之间的和谐折衷，适用于各种深度学习网络。这种调整表现出比现有模型更优越的性能。
-
-
-
-
-
-
-
-
-
Search Results
28
records
(took 0.02 seconds)
