-
公开(公告)号：CN112584146B
公开(公告)日：2021-09-28
申请号：CN201910944335.1
申请日：2019-09-30
Applicant: 复旦大学 , 上海哔哩哔哩科技有限公司
IPC: H04N19/132 , H04N19/176 , H04N19/42
Abstract: 本申请实施例提供了一种帧间相似度评估方法，该方法包括：获取帧序列中的第一帧和第二帧；提取所述第一帧的多个特征信息和所述第二帧的多个特征信息；对所述第一帧的多个特征信息和所述第二帧的多个特征信息进行分块，得到对应于所述第一帧的多个第一块和对应于所述第二帧的多个第二块；获取各个第一块关联的若干个第二块；根据各个第一块关联的若干个第二块，将所述第一帧的每个特征信息分别与所述第二帧的部分特征信息进行相似度计算，以获取所述第一帧和所述第二帧之间的帧间相似度。本申请实施例可以有效地降低帧间相似度的计算资源。
-
公开(公告)号：CN109543727B
公开(公告)日：2022-12-20
申请号：CN201811317051.1
申请日：2018-11-07
Applicant: 复旦大学
IPC: G06V10/774 , G06V10/82 , G06N3/04
Abstract: 本发明属于机器学习技术领域，具体为一种基于竞争重构学习的半监督异常检测方法。本发明设计两个解码器对样本数据进行竞争重构，它们共享一个编码器以使得数据映射到同一个子空间中，在正样本的标签信息的辅助下，正样本解码器会对正样本有更小的重构误差，而负样本（异常数据）解码器对负样本的重构误差会更小。本发明方法框架简单、使用方便、可扩展性强、可解释性强，在七个主流异常检测数据集进行了实验，达到或超过现有最好方法的水平。本发明能够为计算机视觉、数据挖掘等领域，提供基础框架和算法的支持。
-
公开(公告)号：CN112584146A
公开(公告)日：2021-03-30
申请号：CN201910944335.1
申请日：2019-09-30
Applicant: 复旦大学 , 上海哔哩哔哩科技有限公司
IPC: H04N19/132 , H04N19/176 , H04N19/42
Abstract: 本申请实施例提供了一种帧间相似度评估方法，该方法包括：获取帧序列中的第一帧和第二帧；提取所述第一帧的多个特征信息和所述第二帧的多个特征信息；对所述第一帧的多个特征信息和所述第二帧的多个特征信息进行分块，得到对应于所述第一帧的多个第一块和对应于所述第二帧的多个第二块；获取各个第一块关联的若干个第二块；根据各个第一块关联的若干个第二块，将所述第一帧的每个特征信息分别与所述第二帧的部分特征信息进行相似度计算，以获取所述第一帧和所述第二帧之间的帧间相似度。本申请实施例可以有效地降低帧间相似度的计算资源。
-
Patent Agency Ranking
公开(公告)号：CN109543727A
公开(公告)日：2019-03-29
申请号：CN201811317051.1
申请日：2018-11-07
Applicant: 复旦大学
Abstract: 本发明属于机器学习技术领域，具体为一种基于竞争重构学习的半监督异常检测方法。本发明设计两个解码器对样本数据进行竞争重构，它们共享一个编码器以使得数据映射到同一个子空间中，在正样本的标签信息的辅助下，正样本解码器会对正样本有更小的重构误差，而负样本（异常数据）解码器对负样本的重构误差会更小。本发明方法框架简单、使用方便、可扩展性强、可解释性强，在七个主流异常检测数据集进行了实验，达到或超过现有最好方法的水平。本发明能够为计算机视觉、数据挖掘等领域，提供基础框架和算法的支持。
-
公开(公告)号：CN109558898A
公开(公告)日：2019-04-02
申请号：CN201811333067.1
申请日：2018-11-09
Applicant: 复旦大学
CPC classification number: G06K9/6256 , G06N3/0454 , G06N3/08
Abstract: 本发明属于机器学习技术领域，具体为一种基于深度神经网络的高置信度多选择学习方法。本发明方法中，提出了一个置信合页损失来解决专家网络过度自信的问题，防止非专家模型以高可信度进行不准确的预测；采用选择网络来学习每个专家网络的可信度，使得最终可以从多样性的预测结果这聚合一个更可靠的决策预测。本发明方法框架简单、使用方便、可扩展性强；在图像分类和图像语义分割的任务上进行实验，达到或超过现有最好方法的水平。本发明能够为计算机视觉、数据挖掘等领域，提供基础框架和算法的支持。
-
公开(公告)号：CN112584158B
公开(公告)日：2021-10-15
申请号：CN201910945672.2
申请日：2019-09-30
Applicant: 复旦大学 , 上海哔哩哔哩科技有限公司
Abstract: 本申请实施例提供了一种视频质量增强方法，该方法包括：获取待处理的帧序列，所述帧序列包括目标帧以及与所述目标帧邻近的多个邻近帧；提取所述帧序列中各个帧的特征信息；根据所述各个帧的特征信息获取用于增强所述目标帧的参考特征信息；根据所述参考特征信息和所述目标帧，获取对应于所述目标帧的目标增强帧。本申请实施例可以有效地将有损视频恢复为高质量视频。
-
公开(公告)号：CN112584158A
公开(公告)日：2021-03-30
申请号：CN201910945672.2
申请日：2019-09-30
Applicant: 复旦大学 , 上海哔哩哔哩科技有限公司
Abstract: 本申请实施例提供了一种视频质量增强方法，该方法包括：获取待处理的帧序列，所述帧序列包括目标帧以及与所述目标帧邻近的多个邻近帧；提取所述帧序列中各个帧的特征信息；根据所述各个帧的特征信息获取用于增强所述目标帧的参考特征信息；根据所述参考特征信息和所述目标帧，获取对应于所述目标帧的目标增强帧。本申请实施例可以有效地将有损视频恢复为高质量视频。
-
公开(公告)号：CN109558898B
公开(公告)日：2023-09-05
申请号：CN201811333067.1
申请日：2018-11-09
Applicant: 复旦大学
IPC: G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明属于机器学习技术领域，具体为一种基于深度神经网络的高置信度多选择学习方法。本发明方法中，提出了一个置信合页损失来解决专家网络过度自信的问题，防止非专家模型以高可信度进行不准确的预测；采用选择网络来学习每个专家网络的可信度，使得最终可以从多样性的预测结果这聚合一个更可靠的决策预测。本发明方法框架简单、使用方便、可扩展性强；在图像分类和图像语义分割的任务上进行实验，达到或超过现有最好方法的水平。本发明能够为计算机视觉、数据挖掘等领域，提供基础框架和算法的支持。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.017 seconds)
