-
公开(公告)号：CN114449273B
公开(公告)日：2023-07-21
申请号：CN202011230726.6
申请日：2020-11-06
Applicant: 北京大学
IPC: H04N19/122 , H04N19/129 , H04N19/176 , H04N19/56
Abstract: 本发明公开了一种基于HEVC增强型块划分搜索方法和装置。该方法执行深度优先的完全搜索过程，将编码单元CU划分成特定尺寸的CU；在搜索过程中，判断是否提早终止搜索，如果是则终止搜索；如果否，则通过候选划分优化来决定需要搜索的划分类型，将其加入候选划分集；遍历候选划分集，利用编码信息的信息重用来决定最终的划分类型。相对于原标准，本发明在编码块划分过程中充分考虑上下文的影响，并以此来提升块划分的搜索过程的准确率。本发明能够在不改变视频编解码标准的情况下，进一步提升视频编码的压缩率。
-
公开(公告)号：CN114449296B
公开(公告)日：2023-07-18
申请号：CN202011230701.6
申请日：2020-11-06
Applicant: 北京大学
IPC: H04N19/82 , H04N19/42 , H04N21/4402
Abstract: 本发明公开了一种基于卷积神经网络的环路滤波方法和装置。该方法的步骤包括：建立并训练用于重建视频质量恢复的卷积神经网络，包括第一网络、第二网络和第三网络；利用索贝尔算子和二阶拉普拉斯算子求出输入的重建图像的一阶梯度和二阶梯度；利用第一网络和第三网络对输入的重建图像的一阶梯度和二阶梯度进行恢复，并将恢复的梯度与输入的重建图像的特征图进行整合，得到整合后的特征图；将整合后的特征图经过第二网络，得到恢复后的重建图像。相对于传统的环路滤波技术，本发明通过卷积网络提取视频特征，提高了对压缩视频的恢复能力。本发明在GPU的加速下能够与传统滤波技术的计算复杂度相当，且能够更加有效提升视频编码器压缩视频质量。
-
公开(公告)号：CN114449278B
公开(公告)日：2023-07-18
申请号：CN202011230711.X
申请日：2020-11-06
Applicant: 北京大学
IPC: H04N19/132 , H04N19/56 , H04N19/567 , H04N19/577
Abstract: 本发明公开了一种基于信息重用的任意比率下采样转码方法和装置。该方法在解码视频的过程中，对帧类型信息、CU深度信息以及CU模式信息进行保存；在重新编码过程中，对保存的帧类型信息进行重用，将保存的帧类型信息直接赋值给重编视频，跳过帧类型的决策过程；在重新编码过程中，对保存的CU深度信息进行重用，利用CU深度信息计算CU预测深度，根据CU预测深度决定是否对当前CU进行划分；在重新编码过程中，利用保存的CU模式信息进行Skip模式快速决策。本发明通过利用编码块深度信息与模式信息的映射关系来加速重编过程，本发明不仅支持任意比率的下采样转码，同时在可接受的质量损失下，能够取得更好的加速效果。
-
公开(公告)号：CN114449278A
公开(公告)日：2022-05-06
申请号：CN202011230711.X
申请日：2020-11-06
Applicant: 北京大学
IPC: H04N19/132 , H04N19/56 , H04N19/567 , H04N19/577
Abstract: 本发明公开了一种基于信息重用的任意比率下采样转码方法和装置。该方法在解码视频的过程中，对帧类型信息、CU深度信息以及CU模式信息进行保存；在重新编码过程中，对保存的帧类型信息进行重用，将保存的帧类型信息直接赋值给重编视频，跳过帧类型的决策过程；在重新编码过程中，对保存的CU深度信息进行重用，利用CU深度信息计算CU预测深度，根据CU预测深度决定是否对当前CU进行划分；在重新编码过程中，利用保存的CU模式信息进行Skip模式快速决策。本发明通过利用编码块深度信息与模式信息的映射关系来加速重编过程，本发明不仅支持任意比率的下采样转码，同时在可接受的质量损失下，能够取得更好的加速效果。
-
公开(公告)号：CN116701577A
公开(公告)日：2023-09-05
申请号：CN202210167591.6
申请日：2022-02-23
Applicant: 北京大学
IPC: G06F16/332 , G06N3/0442 , G06N3/08
Abstract: 本发明公开了一种基于对抗训练的知识追踪增强方法及装置，涉及智慧教育领域。所述方法包括：构建训练集，所述训练集包括若干个原始知识点记录集合及相应答题记录集合；根据原始知识点记录集合及相应答题记录集合，计算表征测试者各个时间步答题情况的交互嵌入表示；生成所述交互嵌入表示的对抗交互嵌入表示；基于所有交互嵌入表示与对抗交互嵌入表示，训练一深度神经网络，得到知识追踪模型；依据所述知识追踪模型，得到测试者的知识追踪结果。本发明能够更加有效增强知识追踪效果，提升学生知识点掌握度的量化表示能力。
-
Patent Agency Ranking
公开(公告)号：CN113283585A
公开(公告)日：2021-08-20
申请号：CN202110564160.9
申请日：2021-05-24
Applicant: 北京大学
Abstract: 本发明公开了一种基于自注意力机制的知识追踪方法及系统，涉及知识追踪领域，通过建立多头自注意力机制编码器和解码器神经网络，计算与当前时间序列对应的知识组件的自注意力知识追踪模型的参数，利用自注意力知识追踪模型计算学习者关于当前时间序列对应的题目答题结果正确的概率预测值，通过对比知识追踪数据集中当前时间序列的题目答题结果的真实值，得到与当前时间序列对应的自注意力机制神经网络模型的损失函数，通过回溯算法得到权重参数的优化值；从而实现学习者对当前知识组件的认知状态预测，并以此为依据为学习者规划学习路径。
-
公开(公告)号：CN113283584A
公开(公告)日：2021-08-20
申请号：CN202110557278.9
申请日：2021-05-21
Applicant: 北京大学
Abstract: 本发明提供一种基于孪生网络的知识追踪方法及系统，涉及知识追踪领域，通过建立孪生神经网络，计算知识追踪数据集中题目对应相关关系的孪生网络模型的参数，从而利用孪生网络模型计算题目之间的相似性关系，通过对比知识追踪数据集中当前题目组相似性关系的真实值，得到与当前题目组对应的孪生网络模型的损失函数，从而通过回溯算法得到权重参数的优化值；从而实现题目之间的相似性关系特征预测，并以此知识追踪数据集中相似题目的答对率为依据判断学习者是否能答对当前题目。
-
公开(公告)号：CN114449296A
公开(公告)日：2022-05-06
申请号：CN202011230701.6
申请日：2020-11-06
Applicant: 北京大学
IPC: H04N19/82 , H04N19/42 , H04N21/4402
Abstract: 本发明公开了一种基于卷积神经网络的环路滤波方法和装置。该方法的步骤包括：建立并训练用于重建视频质量恢复的卷积神经网络，包括第一网络、第二网络和第三网络；利用索贝尔算子和二阶拉普拉斯算子求出输入的重建图像的一阶梯度和二阶梯度；利用第一网络和第三网络对输入的重建图像的一阶梯度和二阶梯度进行恢复，并将恢复的梯度与输入的重建图像的特征图进行整合，得到整合后的特征图；将整合后的特征图经过第二网络，得到恢复后的重建图像。相对于传统的环路滤波技术，本发明通过卷积网络提取视频特征，提高了对压缩视频的恢复能力。本发明在GPU的加速下能够与传统滤波技术的计算复杂度相当，且能够更加有效提升视频编码器压缩视频质量。
-
公开(公告)号：CN114449273A
公开(公告)日：2022-05-06
申请号：CN202011230726.6
申请日：2020-11-06
Applicant: 北京大学
IPC: H04N19/122 , H04N19/129 , H04N19/176 , H04N19/56
Abstract: 本发明公开了一种基于HEVC增强型块划分搜索方法和装置。该方法执行深度优先的完全搜索过程，将编码单元CU划分成特定尺寸的CU；在搜索过程中，判断是否提早终止搜索，如果是则终止搜索；如果否，则通过候选划分优化来决定需要搜索的划分类型，将其加入候选划分集；遍历候选划分集，利用编码信息的信息重用来决定最终的划分类型。相对于原标准，本发明在编码块划分过程中充分考虑上下文的影响，并以此来提升块划分的搜索过程的准确率。本发明能够在不改变视频编解码标准的情况下，进一步提升视频编码的压缩率。
-
公开(公告)号：CN113283585B
公开(公告)日：2022-04-29
申请号：CN202110564160.9
申请日：2021-05-24
Applicant: 北京大学
Abstract: 本发明公开了一种基于自注意力机制的知识追踪方法及系统，涉及知识追踪领域，通过建立多头自注意力机制编码器和解码器神经网络，计算与当前时间序列对应的知识组件的自注意力知识追踪模型的参数，利用自注意力知识追踪模型计算学习者关于当前时间序列对应的题目答题结果正确的概率预测值，通过对比知识追踪数据集中当前时间序列的题目答题结果的真实值，得到与当前时间序列对应的自注意力机制神经网络模型的损失函数，通过回溯算法得到权重参数的优化值；从而实现学习者对当前知识组件的认知状态预测，并以此为依据为学习者规划学习路径。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.02 seconds)
