-
公开(公告)号：CN113411465A
公开(公告)日：2021-09-17
申请号：CN202110661914.2
申请日：2021-06-15
Applicant: 郑州轻工业大学
Abstract: 本发明公开了一种基于深度学习的高光谱图像联合设备稳定装置，包括箱体和固定连接在箱体底部的固定圆环，所述固定圆环的底部固定连接有内杆，所述内杆滑动连接有支柱，所述支柱的底部固定连接有调节槽，所述调节槽内部转动连接有调块，所述支柱的内壁开设有卡接凹口，所述内杆的侧面内嵌有三角槽，所述三角槽的内底部固定连接有第一弹簧。本发明，通过调块、内杆、支柱的共同协作，成功实现了对于本装置高度的灵活性调节，同时，在面临凹凸不平的地面环境时，可以通过调节调块从而使本装置达到稳定，有利于创造和维持高光谱图像联合设备高效工作的环境，提高了工作人员的工作效率，节约了工作时间，节省了完成此项工作的工作成本。
-
公开(公告)号：CN112929657A
公开(公告)日：2021-06-08
申请号：CN202110086854.6
申请日：2021-01-22
Applicant: 郑州轻工业大学
IPC: H04N19/119 , H04N19/147 , H04N19/96
Abstract: 本发明提出了一种基于梯度与方差的H.266/VVC快速CU划分方法，其步骤为：首先根据方差值评估当前CU的同质性，判断是否能提前终止当前CU被进一步划分。然后利用Sobel算子提取当前CU的梯度特征，判断当前CU能否进行QT划分，从而跳过BT和TT划分。最后利用Canny算子提取当前CU纹理的边缘特征，根据当前CU的纹理趋向排除垂直或水平划分方向上的MT划分，将另一个方向的MT划分作为候选，将RDO‑cost最小的一个划分方式作为最优划分方式。本发明逐步对CU划分进行决策，通过早期终止和早期跳过加速CU划分过程，在保证编码质量的情况下，明显降低了CU划分的复杂度，大大提高了编码效率。
-
公开(公告)号：CN112637709A
公开(公告)日：2021-04-09
申请号：CN202011500311.6
申请日：2020-12-17
Applicant: 郑州轻工业大学
IPC: H04Q11/00
Abstract: 本发明提出了一种弹性光网络中的基于频谱资源素数划分的频谱分配方法，其步骤为：将网络中每条链路上的频谱资源划分为K种类型的素数块，不同类型素数块中包含的频片个数不同；当一个连接请求需要的频片个数是K种类型中某种素数块的整数倍，分配对应类型的素数块；否则为连接请求需要的频片个数增加一个频片使其是K种类型中某种素数块的整数倍，进而分配对应类型的素数块。本发明通过将频谱资源划分为素数块，一方面使得不同链路上的频谱资源的排列更加整齐，另一方面允许多种类型的连接请求共用一种类型的素数块，减少需要划分的素数块种类，最终达到增加频谱可用性、降低连接请求阻塞率的效果。
-
公开(公告)号：CN112291562A
公开(公告)日：2021-01-29
申请号：CN202011183696.8
申请日：2020-10-29
Applicant: 郑州轻工业大学
IPC: H04N19/159 , H04N19/172 , H04N19/64
Abstract: 本发明提出了一种针对H.266/VVC的快速CU分区和帧内模式决策方法，其步骤为：首先，当CU大小为第一种尺寸时，选择有效特征来区分CU分区模式；其次，通过有效特征在线训练SVM分类器模型，并利用训练好的SVM分类器模型用于确定第一种尺寸对应的CU分区模式；当CU大小为第二种尺寸时，分别计算五个分割模式下CU的方差的方差，并将最大值对应的分割模式作为CU的最佳模式；最后，根据计算的划分后的CU的像素值偏差PVD将帧内预测模式分为垂直帧内模式和水平帧内模式，并使用改进的搜索方式确定最佳帧内预测模式。本发明既缩短了CU划分的时间，又减少了需要计算的帧内预测模式的数量，可以在保持编码质量的同时降低编码的计算复杂度。
-
公开(公告)号：CN111429497A
公开(公告)日：2020-07-17
申请号：CN202010201383.4
申请日：2020-03-20
Applicant: 郑州轻工业大学
Inventor： 赵进超 , 张秋闻 , 王兆博 , 王祎菡 , 崔腾耀 , 赵永博 , 郭睿骁 , 王晓 , 蒋斌 , 黄立勋 , 张伟伟 , 钱晓亮 , 吴庆岗 , 常化文 , 魏涛 , 孙丽君
Abstract: 本发明提出了一种基于深度学习和多特征融合的自适应CU拆分决策方法，其步骤为：首先，利用标准偏差计算当前CU的纹理复杂度SD，再利用量化参数函数和深度函数构建阈值模型，将当前CU分为复杂CU和均匀CU；其次，如果复杂CU属于边缘CU，则利用基于多特征融合的CNN结构对复杂CU进行判断是否拆分；否则，利用基于自适应的CNN结构对复杂CU进行判断是否拆分。本发明将深度学习和多特征融合相结合，解决了编码复杂性的问题。基于多特征融合的CNN结构和基于自适应的CNN结构均可成功处理训练样本，避免计算所有与复杂CU的率失真RDO，从而降低了计算复杂度，节省了编码时间。
-
Patent Agency Ranking
公开(公告)号：CN111212292A
公开(公告)日：2020-05-29
申请号：CN202010046795.5
申请日：2020-01-16
Applicant: 郑州轻工业大学
IPC: H04N19/96 , H04N19/176 , H04N19/119 , H04N19/147 , H04N19/109 , H04N19/11 , H04N19/19 , H04N19/14
Abstract: 本发明提出了一种基于H.266的自适应CU分区和跳过模式方法，其步骤为：首先，利用编码器将视频划分为编码树单元；其次，根据编码树单元的不同分别利用改进的贝叶斯决策或相邻块单元的RD成本信息对CU块进行分割；再根据分割后的子CU块的相邻块及分割前的CU块的相关性，计算子CU块的相邻块及分割前的CU块的RD成本的平均值，并作为帧间预测的阈值；最后，根据子CU块的RD成本与帧间预测的阈值的关系，判断子CU块是否帧间预测确定最佳编码模式。本发明利用时间和空间的相关性分析当前CU块的特征，进行自适应CU分区及早期跳过模式检测，有效降低了CU分区以及预测过程的复杂度，从而加速编码过程。
-
公开(公告)号：CN118397345A
公开(公告)日：2024-07-26
申请号：CN202410500327.9
申请日：2024-04-24
Applicant: 郑州轻工业大学
IPC: G06V10/764 , G06N3/0895 , G06V10/25 , G06V10/774
Abstract: 本发明提出了一种基于分割一切模型和伪全监督学习的高分辨率遥感图像弱监督目标检测方法，步骤包括：S1：构建弱监督深度检测网络，获得弱监督深度检测网络的损失函数、实例分类优化分支损失函数和边界框回归分支损失函数；S2：基于在线实例优化器和边界框回归分支构建伪全监督目标检测头，进行种子实例的挖掘；S3：完成种子的更新并进行标签的传播；S4：利用伪真值实例替代原始方法所产生的原伪真值实例，得到PFSOD Head的损失函数，S5：建立总体损失函数进行训练，得到完成训练的弱监督目标检测模型。本申请通过设计了一种基于分割一切模型的伪真值挖掘策略，提升了弱监督目标检测的检测精度。
-
公开(公告)号：CN116977859A
公开(公告)日：2023-10-31
申请号：CN202310996136.1
申请日：2023-08-09
Applicant: 郑州轻工业大学
IPC: G06V20/10 , G06V10/26 , G06V10/25 , G06V10/50 , G06V10/52 , G06V10/764 , G06V10/774
Abstract: 本发明提出了一种基于多尺度图像切割和实例困难度的弱监督目标检测方法，步骤为：对输入图像进行多尺度切割送入共享的主干网络进行特征提取得到特征图；将目标候选框投影到特征图得到目标候选框的特征矩阵；将特征矩阵经过全连接层得到各个切割尺度下的特征向量，将特征向量输入基准弱监督目标检测模块得到得分矩阵并获取类别置信得分矩阵；将特征向量分别送入多个实例分类优化分支得到类别置信度得分并确定正实例；根据目标候选框在背景类别上的最高类别置信得分得到难负例；进行训练得到弱监督目标检测模型；将待检测图像送入弱监督目标检测模型获得目标的类别和位置。本发明可以有效地提升高分辨率遥感图像弱监督目标检测的检测精度。
-
公开(公告)号：CN116505891A
公开(公告)日：2023-07-28
申请号：CN202310527911.9
申请日：2023-05-09
Applicant: 郑州轻工业大学
Abstract: 本发明公开了一种带失真校正的全数字扩频方法及用该方法构建的免滤波数字PWM调制器，属于免滤波数字D类音频功放技术领域；该方法先利用伪随机数生成器产生的随机数对扩频UPWM发生器输出信号的脉冲位置和PRF进行随机化，实现扩频目的；再通过在数字Sigma‑Delta调制器输入端和输出端分别添加插零值模块和抽取模块，并对数字Sigma‑Delta调制器的状态空间表达式进行重构，构造一个包含数字Sigma‑Delta调制器和扩频UPWM发生器的数字闭环模块；利用该闭环模块的高开环增益特性校正该环路内产生的失真；同时基于上述方法设计相应的免滤波数字PWM调制器。本发明不仅可以大幅降低功放输出PWM信号的带外频谱峰值幅度以降低EMI，还能基本消除UPWM失真和扩频引入的失真，从而使功放拥有较高的SNDR。
-
公开(公告)号：CN113590953B
公开(公告)日：2023-07-18
申请号：CN202110868848.6
申请日：2021-07-30
Applicant: 郑州轻工业大学
IPC: G06F16/9535 , G06N3/045 , G06N3/08
Abstract: 本发明公开了一种基于深度学习的推荐算法系统，属于推荐系统技术领域。一种基于深度学习的推荐算法系统，包括推荐系统算法包DeepRS，所述推荐系统算法包DeepRS包括框架层、抽象层和算法层三层架构，所述框架层采用Tensorflow开源框架，所述Tensorflow开源框架为上层服务提供自动微分、张量计算、GPU计算以及数值优化算法多个接口；本发明中的推荐系统算法包DeepRS是一种开源的、易扩展的算法包，丰富了推荐系统算法工具箱，填补了基于深度学习的推荐系统算法包缺口，使基于深度学习的推荐模型结果再现更容易，降低开发基于深度学习的推荐模型的门槛，同时又提高了实用性。
-
-
-
-
-
-
-
-
-
Search Results
83
records
(took 0.022 seconds)
