-
公开(公告)号:CN116962695A
公开(公告)日:2023-10-27
申请号:CN202310743906.1
申请日:2023-06-24
Applicant: 复旦大学 , 中国电子科技南湖研究院
IPC: H04N19/13 , H04N19/124 , H04N19/132 , H04N19/139 , H04N19/154 , H04N19/159 , H04N19/436 , H04N19/52 , H04N19/597 , H04N19/593 , H04N19/70
Abstract: 本发明属于图像处理技术领域,具体为一种HEVC帧内编码压缩域的目标检测方法。本发明方法首先构建HEVC帧内编码压缩域的目标检测系统,所构建系统包括HEVC解码模块、预处理模块和检测模块,通过HEVC解码模块获得三种帧内编码语法元素,即PU划分深度、帧内预测模式和帧内预测残差,预处理模块对划分深度图像和预测模式图像进行上采样,对原始残差图像迭代地进行图像增强,检测模块对压缩域图像拼接后送入基于深度卷积网络的目标检测器进行目标检测。采用本方法能够直接在帧内压缩域图像上进行目标检测,在低成本、低延时的前提下提高目标检测精度。
-
公开(公告)号:CN113220428B
公开(公告)日:2022-06-21
申请号:CN202110444084.8
申请日:2021-04-23
Applicant: 复旦大学
IPC: G06F9/48
Abstract: 本发明属于云计算技术领域,具体为一种针对云计算系统实时性需求的动态任务调度算法,本发明算法步骤如下:用户提交需要完成的任务;排序器根据任务的运行时间和等待时间计算出任务的优先级值;排序器根据任务的优先级值对任务按照从高到低的顺序进行重排序;调度器从排序器中取出一定数目的任务;调度器根据任务的大小及主机当前状态分配任务;主机按照任务大小从低到高的顺序执行任务。本发明中,排序器和调度器的相互配合可以大幅提高对任务的实时性响应,同时不影响执行效率和负载均衡。
-
公开(公告)号:CN112967185A
公开(公告)日:2021-06-15
申请号:CN202110190379.7
申请日:2021-02-18
Applicant: 复旦大学
Abstract: 本发明属于计算机视觉技术领域,具体为一种基于频率域损失函数的图像超分辨率算法。该算法在超分辨率算法常用的损失函数上加以改进,在损失函数中加入真值图和预测图的频率域信息,使得算法在学习过程中能够更加关注预测图和真值图之间的高频信息差异,从而获得复原效果更好的高分辨率图片。本算法包括:获取超分辨率训练数据集;搭建超分辨率卷积神经网络,包括特征提取、特征学习、特征重建三个模块;利用提出的基于频率的损失函数训练网络,通过梯度反向传播算法更新网络的参数;网络训练好后,输入低分辨率图片即可对其进行超分辨率重建。本发明算法能够更好的恢复出图片中的高频细节,并且可以方便地应用于其他超分辨率网络。
-
公开(公告)号:CN119006347A
公开(公告)日:2024-11-22
申请号:CN202411020264.3
申请日:2024-07-29
Applicant: 复旦大学
IPC: G06T5/90 , G06T5/60 , G06T5/20 , G06N3/0475 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明属于图像处理技术领域,具体涉及基于扩散模型和零样本训练的高动态范围图像色调映射方法。本发明包括构建色调映射网络模型,并将其集成到扩散模型的框架中,将结构信息和亮度大致分布图作为扩散模型的条件输入,利用原图的结构信息修正扩散模型反向采样的中间结果等。网络模型包括生成模型以及其控制模块;生成模型包括级联的四个尺度的编码模块、一个中间模块以及级联的四个尺度解码模块;控制模块包括和SD模型相同的四个尺度的编码模块,并在每个尺度的网络最后加入零卷积层。控制模块每个尺度的输出加至生成模型对应尺度输出的特征图上,以此控制生成模型的最终输出结果。本发明可以很好地保留原图信息,提高HDR图像色调映射效果。
-
公开(公告)号:CN118941436A
公开(公告)日:2024-11-12
申请号:CN202410968307.4
申请日:2024-07-18
Applicant: 复旦大学
IPC: G06T1/20 , G06N3/0464 , G06N3/08 , G06V10/764 , G06V10/774 , G06V10/77
Abstract: 本发明属于图像信号处理技术领域,具体为用于ISP硬件系统的实时自动超参数优化方法及系统。本发明包括构建参数网络ParaNet和ISP代理模型;参数网络ParaNet采用DNN模型,通过学习原始图像到超参数的映射过程,实现快速准确的参数预测;参数网络的输入为原始图像,输出为一组ISP超参数;ISP代理模型采用8层U型结构的多尺度残差连接3*3卷积层网络结构;超参数优化方法包括模拟不可微分的ISP硬件、将原始图像映射为ISP超参数、在线调优;本发明自动超参数优化系统采用ParaNet和ISP双通路架构,实现实时处理。在FPGA和ASIC上进行验证表明,本发明具有实用性,并有高性能,在保持高精度和高速度的同时,实现实时在线ISP参数搜索和图像处理。
-
公开(公告)号:CN118781023A
公开(公告)日:2024-10-15
申请号:CN202410927481.4
申请日:2024-07-11
Applicant: 复旦大学
Abstract: 本发明属于图像复原技术领域,具体为一种基于色彩失真校正轻量级去雾网络的图像去雾方法。本发明首先构建色彩失真校正的轻量级去雾网络,该网络主要结构包括:多尺度特征聚合模块,注意力模块,色彩失真校正模块;利用多尺度特征聚合模块来保持轻量化,利用并行注意力模块来加快去雾过程;采用比例残差连接和损失函数来减轻中潜在的颜色失真;使用色彩失真校正模块对HSV和Lab色彩空间进行调整,全面消除色彩失真;本发明策略性地预测模糊图像和清晰图像之间的全局残差,以增强网络还原图像色调质量和细节的能力。对比验证表明,本发明去雾效果好、资源占用少、处理速度快,图像颜色保真度高,具有广泛的应用领域,尤其是自动驾驶汽车领域。
-
公开(公告)号:CN113989102B
公开(公告)日:2023-01-06
申请号:CN202111217043.1
申请日:2021-10-19
Applicant: 复旦大学
Abstract: 本发明属于计算机视觉技术领域,具体为一种具有高保形性的快速风格迁移方法。本发明首先通过精简的内容和风格编码器分别提取内容和风格特征,然后利用多层级自适应实例正则化根据风格特征风格化内容特征,最后通过精简的解码器完成风格化的特征到风格化图片的映射;本发明进一步通过提出的加权风格损失函数,来保证训练的过程中的平衡,从而促进全局和局部风格迁移。本发明方法不仅对风格的迁移到位,并且具有更优的保形性,而且计算量小,保证了高分辨的实时性。
-
公开(公告)号:CN113220428A
公开(公告)日:2021-08-06
申请号:CN202110444084.8
申请日:2021-04-23
Applicant: 复旦大学
IPC: G06F9/48
Abstract: 本发明属于云计算技术领域,具体为一种针对云计算系统实时性需求的动态任务调度算法,本发明算法步骤如下:用户提交需要完成的任务;排序器根据任务的运行时间和等待时间计算出任务的优先级值;排序器根据任务的优先级值对任务按照从高到低的顺序进行重排序;调度器从排序器中取出一定数目的任务;调度器根据任务的大小及主机当前状态分配任务;主机按照任务大小从低到高的顺序执行任务。本发明中,排序器和调度器的相互配合可以大幅提高对任务的实时性响应,同时不影响执行效率和负载均衡。
-
公开(公告)号:CN113157417A
公开(公告)日:2021-07-23
申请号:CN202110444089.0
申请日:2021-04-23
Applicant: 复旦大学
IPC: G06F9/48
Abstract: 本发明属于操作系统设计技术领域,具体为一种针对多核数据独立任务的启发式调度算法。本发明算法基本步骤如下:取得核心列表和任务列表,开始算法的迭代过程,通过计算核心有效值并采用轮转法选择任务移动的核心位置反复移动,最终任务抵达合适的位置。当前多用户同时使用单个服务器的情况十分普遍,此时,不同用户之间数据相互独立,本发明算法以此进行设计,并在这类情况下取得了运行效率和负载均衡的大幅提高。
-
公开(公告)号:CN118972610A
公开(公告)日:2024-11-15
申请号:CN202410926967.6
申请日:2024-07-11
Applicant: 复旦大学
IPC: H04N19/44 , H04N19/513 , H04N19/42 , H04N19/533 , H04N19/182
Abstract: 本发明属于数字高清视频编解码技术领域,具体为解码端运动矢量精细化的硬件结构。本发明解码端运动矢量精细化的硬件结构,针对VVC中引入的解码端运动搜索技术DMVR进行设计,根据标准算法,将DMVR划分成若干个子模块分别进行硬件结构设计,每个子模块以既定的流水线的方式运行,完成解码端运动搜索任务;具体包含6个子模块,分别为:依次连接的双线性滤波器,SAD计算器,SAD代价比较器,分像素精度细化器,以及控制模块和输入模块;本发明可有效减少硬件中的空闲周期,提高硬件资源的利用率,同时更有利于参考像素的读取。
-
-
-
-
-
-
-
-
-