-
公开(公告)号：CN116757977A
公开(公告)日：2023-09-15
申请号：CN202310502926.X
申请日：2023-05-06
Applicant: 华侨大学
IPC: G06T5/50 , G06T7/246 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于多尺度双向卷积的压缩视频感官质量增强方法及系统，包括：将输入的多个视频帧进行运动补偿，获得对齐后的特征；所述输入的多个视频帧包括参考帧和参考帧的前后若干相邻帧；提取对齐后的特征的时序信息，获得时空融合后的特征；提取时空融合后的特征的方向特征，获得水平特征和垂直特征；基于参考帧和相邻帧来指导水平特征和垂直特征的恢复，获得细节注意力机制处理后的特征；将通过细节注意力机制处理后的特征进行增强，获得增强后的方向特征；将增强后的方向特征与参考帧进行逐元素相加，得到增强帧。本发明能够提高重建视频帧的感官质量，恢复的重建帧更符合人类视觉系统，能够改善压缩带来的质量下降问题。
-
公开(公告)号：CN116668723A
公开(公告)日：2023-08-29
申请号：CN202310550087.9
申请日：2023-05-16
Applicant: 华侨大学
IPC: H04N19/597 , H04N19/593 , H04N19/124 , H04N19/119 , H04N19/61 , G06T9/00 , G06N3/0464
Abstract: 本发明公开了一种基于卷积神经网络的3D‑HEVC深度图帧内编码单元划分方法及装置，通过构建编码单元划分预测模型并训练，采用3D‑HEVC编码器对当前待编码块进行编码，在编码过程中确定编码单元的当前尺寸和当前编码量化参数；根据编码单元的当前尺寸和/或当前编码量化参数确定在编码过程中采用速度模式或性能模式，在速度模式中，将预测值作为当前待编码块的划分结果；在性能模式中，使用3D‑HEVC编码器预测当前待编码块的划分结果；判断编码单元的当前尺寸是否大于第四尺寸，若是则调整当前待编码块的尺寸缩小一个级别，并重复以上步骤，直至得到当前待编码块的所有划分结果，本方法在保证一定编码质量的前提下，能够显著节省深度图编码所需时间。
-
公开(公告)号：CN119299671A
公开(公告)日：2025-01-10
申请号：CN202411815010.0
申请日：2024-12-11
Applicant: 华侨大学
IPC: H04N19/103 , H04N19/96 , H04N19/119 , H04N19/126 , H04N19/127 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于多阶段不规则编码单元划分的VVC‑SCC帧内编码方法及装置，涉及视频编码领域，包括：设计并训练基于多阶段卷积神经网络的编码单元划分预测模型；其次将输入的视频帧通过经训练的编码单元划分预测模型进行编码单元划分预测模型预测，输出当前帧所有CU的模式类型的预测概率；最后为不同的模式类别设置不同的阈值，根据预测概率和对应的阈值指导VVC‑SCC编码器进行编码，从而跳过不必要的模式类别的遍历。本发明解决现有的VVC‑SCC帧内编码方法编码时间长、编码器计算的复杂度高的问题。
-
公开(公告)号：CN118609034A
公开(公告)日：2024-09-06
申请号：CN202411080625.3
申请日：2024-08-08
Applicant: 华侨大学 , 厦门松霖科技股份有限公司
Abstract: 本发明公开了一种基于帧级时间聚合策略的沉浸式视频质量评价方法及装置，涉及视频处理领域，方法包括：通过帧抽样策略去除视频冗余信息，采用卷积网络对沉浸式视频（即多视点纹理加深度视频）不同区域进行多尺度特征提取；接着使用注意力模型对特征进行加权，通过帧级时间聚合策略自适应地筛选沿时间维度的质量分数；最终结合六自由度（Degree of Freedom，DoF）时空轨迹权重获取失真沉浸式视频质量分数。本发明具有较好的沉浸式视频质量评价效果，稳定性和鲁棒性高。
-
Patent Agency Ranking
公开(公告)号：CN117173609A
公开(公告)日：2023-12-05
申请号：CN202311112440.1
申请日：2023-08-31
Applicant: 华侨大学
IPC: G06V20/40 , G06V10/52 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种基于多尺度特征和通道注意力的无参考屏幕视频质量评价方法及装置，该方法包括：获取视频中采用随机抽样方式抽取的视频帧；构建视频质量评价模型并进行训练，得到经训练的视频质量评价模型，视频质量评价模型包括依次连接的特征提取模块、通道注意力模块、视频时序特征提取模块和平均池化层，特征提取模块用于提取视频帧中的多尺度特征，通道注意力模块用于对多尺度特征进行特征加权，视频时序特征提取模块用于进行特征提取得到时空维度特征，并经过平均池化层计算视频对应的质量分数；将视频帧输入经训练的视频质量评价模型，得到视频的质量分数，具有较好的屏幕视频质量评价效果。
-
公开(公告)号：CN116462779A
公开(公告)日：2023-07-21
申请号：CN202310532347.X
申请日：2023-05-12
Applicant: 华侨大学
IPC: C08B37/00
Abstract: 本发明公开了一种羟丙基卡拉胶的制备方法，包括如下步骤：(1)将NaOH溶解于乙醇水溶液中，然后加入κ‑卡拉胶进行碱化处理，获得浑浊液；(2)在上述浑浊液中加入环氧丙烷反应，接着冷却至室温后，用乙酸溶液调节pH；(3)将步骤(2)所得浑浊液进行抽滤，获得滤饼，接着将该滤饼用乙醇水溶液进行洗涤和干燥，粉粹即得所述羟丙基卡拉胶。本发明采用非均相反应体系，在反应过程中卡拉胶不溶解，一直保持颗粒形状，后续干燥后便可以得到成品，在反应过程中不需要调控pH，制备工艺不但简单快捷，节约成本，也极大地提高了产品的产率；制得的羟丙基卡拉胶的溶解温度和凝胶强度明显下降，透明度上升，融化温度有明显改变，更加利于工业应用。
-
公开(公告)号：CN116405683A
公开(公告)日：2023-07-07
申请号：CN202310449794.9
申请日：2023-04-24
Applicant: 华侨大学
IPC: H04N19/147 , H04N19/176 , H04N19/149 , H04N19/11 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于3D‑HEVC深度图模式预测的深度图编码方法、装置及可读介质，通过构建基于卷积网络的DMM模式预测模型并进行训练，得到经训练的DMM模式预测模型；将待编码深度图序列划分得到第一级别尺寸下的若干个当前待编码块，将当前待编码块输入经训练的DMM模式预测模型，输出的网络预测值为当前待编码块的编码过程中是否需要将DMM模式加入对应尺寸的全率失真代价计算列表的标签值；采用3D‑HEVC编码器对当前待编码块进行编码，在编码过程中调用网络预测值，并确定当前待编码块在对应尺寸下的最佳模式；以判断是否需要将DMM模式加入对应尺寸的全率失真代价计算列表，可避免直接将DMM模式加入全率失真代价计算列表，导致对DMM模式冗余的率失真计算过程。
-
公开(公告)号：CN111510721B
公开(公告)日：2022-11-01
申请号：CN202010278978.X
申请日：2020-04-10
Applicant: 华侨大学
IPC: H04N19/39 , H04N19/132 , H04N19/59 , H04N19/124 , H04N19/61
Abstract: 本发明提供了一种基于空间下采样的多描述编码高质量边重建方法，包括，制作数据集：选取视频，通过空间下采样分成两个描述，在量化参数QP值设定下，编码，解码，将解码后的视频和相应的原始视频作为训练集；训练SD‑VSRnet网络：每五帧视频作为网络的输入，依次进行特征提取，恢复高频细节，像素重排，再与输入的中间帧进行跳跃连接得到重建的视频帧，逐帧重建获得最后的重建视频，实现SD‑VSRnet网络的训练。本发明提出的方法制作了适用于空间下采样的多描述编码高质量边重建的数据集，另外，采用视频超分辨率的神经网络，分别测试4种QP值，可以有效提高不同压缩程度的边缘解码视频重建质量。
-
公开(公告)号：CN220672027U
公开(公告)日：2024-03-26
申请号：CN202321823774.5
申请日：2023-07-12
Applicant: 华侨大学
Inventor： 林琦
IPC: G07G1/12
Abstract: 本实用新型涉及收银机技术领域，具体公开了一种折叠式收银机，包括机体，所述机体上端外表面开设有收纳槽，所述收纳槽内侧固定连接有转轴二，所述转轴二外表面转动连接有支撑板，所述支撑板远离转轴二一端转动连接有转轴一，所述转轴一左右两端固定连接有框架，所述框架前端外表面开设有卡槽，所述转轴二外语卡槽内侧，所述框架后端外表面嵌入式固定连接有显示屏。本申请通过设置支撑板、收纳槽、框架等组件，通过对收银机的收纳折叠，能够在收银机运输及不工作时有效的减少收银机的体积，同时将显示屏10进行隐藏收纳，能够大大减低收银机运输过程中因意外碰撞导致显示屏10损坏的风险，进而能够有效的提高收银机的安全性。
-
-
-
-
-
-
-
-
Search Results
49
records
(took 0.033 seconds)
