-
公开(公告)号：CN107273872A
公开(公告)日：2017-10-20
申请号：CN201710570245.1
申请日：2017-07-13
Applicant: 北京大学深圳研究生院
Abstract: 本发明公布了一种用于图像或视频中行人重识别的深度判别网络模型方法，通过构建深度判别网络，将不同输入图像在颜色通道上进行融合拼接，将得到的拼接结果定义为不同图像的原始差异性空间；将原始差异性空间送入卷积网络中，通过学习原始差异性空间中的差异性信息，网络输出两张输入图像之间的相似性，由此实现行人重识别。本发明不对单独的图像进行特征的学习，而是在一开始就将输入图像在颜色通道上进行融合拼接，利用设计好的网络在图像的原始空间上学习差异性信息；通过引入Inception模块，嵌入到模型之中，能够提高网络的学习能力，达到更好的判别效果。
-
公开(公告)号：CN104053012B
公开(公告)日：2017-08-29
申请号：CN201410231054.9
申请日：2014-05-28
Applicant: 北京大学深圳研究生院
IPC: H04N19/65 , H04N19/176 , H04N19/149 , H04N19/124 , H04N19/503
Abstract: 一种基于字典库的视频编解码方法及装置，该编码方法包括：将视频流中待编码的当前图像帧划分为若干图像块；采用纹理字典库的方式恢复当前图像帧前一帧的解码重建图像的编码失真信息，以得到恢复编码失真信息后的图像，并将恢复编码失真信息后的图像作为参考图像进行时域预测，得到待编码块的预测块；纹理字典库包括清晰图像字典和与所述清晰图像字典对应的失真图像字典；将待编码块与预测块相减得到残差块，对残差块进行处理得到视频码流。本申请提供的编解码方法及装置采用纹理字典库的方式恢复作为对待编码块(待解码块)进行预测的参考图像的编码失真信息，使得待编码块(待解码块)的预测块更加准确，从而提高编解码效率。
-
公开(公告)号：CN104680510B
公开(公告)日：2017-06-16
申请号：CN201310698887.1
申请日：2013-12-18
Applicant: 北京大学深圳研究生院
Abstract: 本申请公开了一种RADAR视差图优化方法、立体匹配视差图优化方法及系统，其中RADAR视差图优化方法包括步骤：获取颜色分块图：对初始图像进行对比度增强并将其由RGB空间转换为CIELab空间，通过mean‑shift颜色分割对CIELab空间进行颜色分块得到颜色分块图；获取视差图边缘信息：接收初始图像的初始视差图，结合Canny算子提取初始视差图中的视差图边缘信息；视差图优化；结合颜色分块图和视差图边缘信息进行不一致区域检测得到问题区域图，根据问题区域图对初始视差图进行OccWeight修正并滤波得到最终视差图。通过本申请的方法对初始视差图进行优化后，降低了错误率，提高了最终视差图的准确率。
-
-
公开(公告)号：CN106650806A
公开(公告)日：2017-05-10
申请号：CN201611166903.2
申请日：2016-12-16
Applicant: 北京大学深圳研究生院
CPC classification number: G06K9/00362 , G06K9/6223 , G06K9/6269 , G06N3/0454
Abstract: 本发明公布了一种用于行人检测的协同式深度网络模型方法，包括：构建一种新的协同式多模型学习框架来完成行人检测中的分类过程；利用人工神经元网络来整合协同式模型中各子分类器的判决结果，并借用机器学习的方法训练该网络，能够更加有效地综合各分类器反馈的信息；提出一种基于K‑means聚类算法的重采样方法，增强协同模型中各分类器的分类效果，进而提升整体分类效果。本发明通过建立协同式深度网络模型，将由聚类算法得到的不同类型的训练数据集用于并行地训练多个深度网络模型，再通过人工神经元网络将原始数据集在各个深度网络模型上的分类结果进行整合和综合分析，以实现更加精准的样本分类。
-
Patent Agency Ranking
公开(公告)号：CN104063855B
公开(公告)日：2017-01-04
申请号：CN201410230714.1
申请日：2014-05-28
Applicant: 北京大学深圳研究生院
Abstract: 本申请提供一种基于分类字典库的超分辨率图像重构装置，该装置可以从训练图像中选取第一局部块以及降采样后对应的第二局部块，提取相应特征，组合得到一组字典组，再对多组字典组按照LBS和SES的计算值作为分类标记进行分类并进行预训练，得到包含多个带分类标记的字典组的分类字典库。在重构图像时，同样提取待重构图像上局部块的局部特征，并将局部块的LBS和SES分类与分类字典库中各字典的LBS和SES分类相匹对，即可以快速获取到匹对的字典，最后利用匹对的字典对该待重构图像进行图像重构。从而，可以在恢复图像的高频信息的同时，提升图像的超分辨率重构的效率。
-
公开(公告)号：CN105678778A
公开(公告)日：2016-06-15
申请号：CN201610022261.2
申请日：2016-01-13
Applicant: 北京大学深圳研究生院
IPC: G06T7/00
CPC classification number: G06T2207/30248
Abstract: 本发明公开了一种图像匹配方法和装置。该方法包括：获取模板图像和目标图像；根据模板图像获取一组模板特征；根据目标图像提取一组目标特征；根据模板特征和目标特征，计算模板图像与每帧目标图像的图像相似度，并以图像相似度最大的目标图像为与模板图像匹配的图像。上述实施例的图像匹配方法和装置中，通过模板特征与目标特征之间的相似度分别计算模板图像与每个目标图像之间的图像相似度来进行图像匹配，可以保证图像匹配过程中特征的不冗余性，保证图像的正确匹配，提高图像匹配的准确度。
-
公开(公告)号：CN105160344A
公开(公告)日：2015-12-16
申请号：CN201510340617.2
申请日：2015-06-18
Applicant: 北京大学深圳研究生院
IPC: G06K9/46
CPC classification number: G06K9/4604 , G06K9/4642
Abstract: 本申请提供的三维点云的局部特征提取方法及装置，基于与每个体元素的点对应的局部参考系来计算待提取特征点与相邻体元素的点的角度信息和凹凸信息，能够准确的计算两点之间的特征关系，具有平移、旋转不变的性质，并且由于提取同时将局部点云的凹凸信息包含进去，解决了以往3D局部特征描述时忽略凹凸二义性而导致提取不准的问题。在归一化处理时，采用指数归一化处理及第二范式归一化处理，解决了特征提取时，向量中少量元素过大或过小所导致的相似度计算不准确的问题，从而能提高所提取的三维局部特征的准确性。
-
公开(公告)号：CN105023240A
公开(公告)日：2015-11-04
申请号：CN201510398331.X
申请日：2015-07-08
Applicant: 北京大学深圳研究生院
IPC: G06T3/40
CPC classification number: G06T3/00 , G06T3/4076
Abstract: 本发明提供一种基于迭代投影重建的字典类图像超分辨率系统及方法，所述系统包括：字典训练和投影矩阵预计算模块、基于投影矩阵的迭代投影超分辨率重建模块和基于全局约束的后处理模块。所述方法包括：步骤S1、字典的学习和投影矩阵的计算；步骤S2、基于投影矩阵的迭代投影超分辨率重建：对低分辨率图像块输入y，在字典中寻找与其最相似的原子，使用该原子的投影矩阵来对y进行超分辨率重建，对产生的残差向量进行再次投影重建获得残差向量的高分辨率重建，如此迭代重建，最后将全部重建成分加权相加作为最后重建的结果；步骤S3、对重建图像通过全局约束来消除不自然效应。本发明可有效提高字典类方法的计算速度并能够恢复图像高频细节信息。
-
公开(公告)号：CN104247418A
公开(公告)日：2014-12-24
申请号：CN201380003163.9
申请日：2013-07-29
Applicant: 北京大学深圳研究生院
IPC: H04N19/124 , H04N19/176 , H04N19/61
CPC classification number: H04N19/154 , H04N19/12 , H04N19/176
Abstract: 本发明涉及HEVC视频编码中变换量化方法和视频编码装置，方法包括：从存储器的第一地址检测原始图像数据与帧间预测图像数据运算时产生的M×M残差块的残差值；计算与该残差值相对应的全零块检测阈值TM×M；将计算的全零块检测阈值TM×M与该残差值的绝对误差和SADM×M比较；若SADM×M
-
-
-
-
-
-
-
-
-
Search Results
106
records
(took 0.035 seconds)
