-
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：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。
-
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：CN114257819B
公开(公告)日：2025-01-10
申请号：CN202111556624.8
申请日：2021-12-18
Applicant: 郑州轻工业大学
IPC: H04N19/96 , H04N19/147 , H04N19/503
Abstract: 本发明提出了一种基于时空深度信息的VCC编码单元快速划分方法，步骤为：将最大编码单元的CU进行四叉树划分，四叉树划分结束进行多类型树划分；当最大编码单元的四叉树划分深度为2时，时空相邻CU的平均深度小于2时，则四叉树划分终止；当最大编码单元的四叉树划分深度为3时，时空相邻CU的平均深度小于3时，则四叉树划分终止；当最大编码单元的四叉树划分深度在2~4之间时，CU进行多类型树划分；当最大编码单元的多类型树划分深度为0时，时空相邻的平均深度小于0.1时，CU不需要多类型树划分，否则遍历所有的划分模式；根据率失真代价决策最优的预测方式。本发明平均可节省35.72%的编码时间，同等编码质量下平均比特率增加较少。
-
Patent Agency Ranking
公开(公告)号：CN119131858A
公开(公告)日：2024-12-13
申请号：CN202411145692.9
申请日：2024-08-20
Applicant: 郑州轻工业大学
IPC: G06V40/16 , G06V10/25 , G06V10/764 , G06V10/766 , G06V10/774 , G06V10/776 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/084
Abstract: 本发明提出了一种改进YOLOv8的小目标人脸检测方法，包括步骤：选取WiderFace数据集，得到划分好的训练集和验证集；构建YOLOv8‑PHA模型，包括依次连接的骨干网络、颈部网络和头部网络，在骨干网络中引入HGStem模块，在颈部网络中引入结合MCAM模块的ADPN网络结构；进行小目标人脸样本锚框检测优化；利用训练集对构建的YOLOv8‑PHA模型进行训练，利用验证集对训练后的模型进行验证并调整模型参数；重复直到达到训练要求或者训练轮次；在widerface数据集的验证集上运行训练好的YOLOv8‑PHA模型，得到最终评估检测结果。本发明方法可以有效提高复杂环境下对小目标人脸检测的精度，满足对小目标人脸检测的要求。
-
公开(公告)号：CN115085841B
公开(公告)日：2024-09-06
申请号：CN202210681782.4
申请日：2022-06-15
Applicant: 郑州轻工业大学
IPC: H04B17/391 , H04L25/02
Abstract: 本发明提出了一种信道衰落干扰下迭代学习控制系统的收敛性保障方法，联合利用比例型迭代学习控制器的学习过程与信道衰落干扰下输入信号和输出信号的传输过程，在执行器端建立用于对控制器端更新输入进行估计的滤波模型，设计一个线性最小方差意义下的最优滤波器，在传感器到控制器和控制器到执行器两侧信道均存在随机衰落干扰下，在迭代域对滤波模型中的状态信号进行最优估计，并以估计的状态信号中的控制输入分量驱动系统的执行器，从而改善信道衰落干扰下迭代学习控制系统的收敛性能。本发明能够同时处理传感器到控制器和控制器到执行器两侧信道随机衰落干扰的影响，适用于无线衰落信道下采用比例型迭代学习控制器进行远程控制的所有对象。
-
公开(公告)号：CN118097402A
公开(公告)日：2024-05-28
申请号：CN202410059584.3
申请日：2024-01-15
Applicant: 郑州轻工业大学
IPC: G06V20/10 , G06V10/44 , G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464
Abstract: 本发明提供一种基于MetaFormer和深度扩张特征融合网络的高光谱图像分类方法，所述方法主要包括如下步骤：首先，通过深度扩张分离卷积DDSC将光谱维度进行放大细微差异特征，然后，通过多尺度池化特征融合模块MPFormer进行多尺度的空谱信息聚合提取，在提取过程中通过前后特征自适应加权融合模块AWFM将模型浅层MPFormer得到的低级特征和深层MPFormer得到的高级特征进行特征自适应加权融合，最后通过softmax进行分类得到结果。本方法不仅在分类精度上拥有足够的竞争力，同时对比其他同类型模型参数量也极具优势。
-
公开(公告)号：CN111246218B
公开(公告)日：2023-07-14
申请号：CN202010046667.0
申请日：2020-01-16
Applicant: 郑州轻工业大学
IPC: H04N19/597 , H04N19/96 , H04N19/176 , H04N19/107
Abstract: 本发明提出了一种基于JND模型的CU分割预测和模式决策纹理编码方法，其步骤为：首先，启动模式决策，通过亮度JND模型、空间JND模型和时间JND模型构建纹理视频的多视图纹理JND模型；其次，根据纹理视频的内容设置多视图纹理JND模型的阈值，并根据阈值将纹理视频的树块分为三种类型；再根据当前树块所属类型对当前树块进行自适应CU分割；最后，根据当前树块所属的类型对自适应CU分割的树块进行快速模式决策的预测，确定树块的最佳编码模式。本发明利用JND模型分析纹理图像的树块特征，在早期阶段跳过纹理视频的一些树块，可显著降低3D‑HEVC的编码复杂度，同时视频的RD性能的损失可以忽略不计。
-
公开(公告)号：CN111462261B
公开(公告)日：2023-05-05
申请号：CN202010262211.8
申请日：2020-04-06
Applicant: 郑州轻工业大学
IPC: G06T9/00 , G06V10/764
Abstract: 本发明提出了一种针对H.266/VVC的快速CU分区和帧内决策方法，其步骤为：首先，利用标准差计算当前CU的纹理复杂度，并根据纹理复杂度将当前CU分为平滑区域、普通区域或复杂区域；其次，针对平滑区域和普通区域利用原始预测方式进行编码，输出最佳帧内模式预测；针对复杂区域利用随机森林分类器模型进行分类；最后，利用基于纹理区域特征的快速帧内预测模式优化方法对复杂区域进行帧内模式预测，输出最佳帧内模式。本发明通过基于随机森林分类器和基于纹理区域特征的快速帧内预测模式优化方法对CU进行帧内编码预测，得到最优的帧内编码模式，能够减少一半以上的编码模式的计算，降低了计算复杂度，节省了编码时间。
-
-
-
-
-
-
-
-
-
Search Results
40
records
(took 0.028 seconds)
