-
公开(公告)号：CN111327909B
公开(公告)日：2022-10-18
申请号：CN202010150164.8
申请日：2020-03-06
Applicant: 郑州轻工业大学
IPC: H04N19/597 , H04N19/56 , H04N13/161
Abstract: 本发明提出了一种针对3D‑HEVC的快速深度编码方法，其步骤为：首先，通过构建的改进的最小可觉深度差模型将深度树块分成简单CU、中等CU和复杂CU；其次，执行早期SKIP模式检测确定最佳帧间模式；然后，执行快速帧内模式选择最佳帧内模式；最后，执行自适应运动搜索范围选择最佳预测模式。本发明利用改进后的最小可觉深度差分析深度图的树块特征，将CU分为简单CU、中等CU和复杂CU，然后基于这三种CU进行早期SKIP模式检测、快速帧内模式选择和自适应运动搜索范围预测，从而降低编码复杂度，减少深度图像的编码时间，并且保证主观质量的损失忽略不计。
-
公开(公告)号：CN111031303B
公开(公告)日：2021-01-26
申请号：CN201911150040.3
申请日：2019-11-21
Applicant: 郑州轻工业大学
IPC: H04N13/161 , H04N13/271 , H04N19/597
Abstract: 本发明提出了一种基于贝叶斯决策定理的3D‑HEVC快速深度编码方法，其步骤为：首先确定深度图树块，分析不同量化参数之间的帧间模式分布；一方面，采用贝叶斯规则计算深度图树块的后验概率，并判断深度图树块的交互模式是否最佳确定深度图树块的最佳编码模式为SKIP/Merge模式；另一方面，根据贝叶斯规则计算深度图树块的贝叶斯成本，根据贝叶斯成本是否小于公差参数，早期确定终止深度图树块的CU修剪，确定最佳编码模式，或者利用3D‑HEVC编码器分割深度图树块的CU，测试深度图树块的其他编码模式，找到最佳编码模式。本发明通过引入贝叶斯规则避免了测试深度图编码的其它帧间模式，既保证相似虚拟视点质量，又明显降低3D‑HEVC深度编码复杂度。
-
公开(公告)号：CN111462261A
公开(公告)日：2020-07-28
申请号：CN202010262211.8
申请日：2020-04-06
Applicant: 郑州轻工业大学
Abstract: 本发明提出了一种针对H.266/VVC的快速CU分区和帧内决策方法，其步骤为：首先，利用标准差计算当前CU的纹理复杂度，并根据纹理复杂度将当前CU分为平滑区域、普通区域或复杂区域；其次，针对平滑区域和普通区域利用原始预测方式进行编码，输出最佳帧内模式预测；针对复杂区域利用随机森林分类器模型进行分类；最后，利用基于纹理区域特征的快速帧内预测模式优化方法对复杂区域进行帧内模式预测，输出最佳帧内模式。本发明通过基于随机森林分类器和基于纹理区域特征的快速帧内预测模式优化方法对CU进行帧内编码预测，得到最优的帧内编码模式，能够减少一半以上的编码模式的计算，降低了计算复杂度，节省了编码时间。
-
公开(公告)号：CN111327909A
公开(公告)日：2020-06-23
申请号：CN202010150164.8
申请日：2020-03-06
Applicant: 郑州轻工业大学
IPC: H04N19/597 , H04N19/56 , H04N13/161
Abstract: 本发明提出了一种针对3D-HEVC的快速深度编码方法，其步骤为：首先，通过构建的改进的最小可觉深度差模型将深度树块分成简单CU、中等CU和复杂CU；其次，执行早期SKIP模式检测确定最佳帧间模式；然后，执行快速帧内模式选择最佳帧内模式；最后，执行自适应运动搜索范围选择最佳预测模式。本发明利用改进后的最小可觉深度差分析深度图的树块特征，将CU分为简单CU、中等CU和复杂CU，然后基于这三种CU进行早期SKIP模式检测、快速帧内模式选择和自适应运动搜索范围预测，从而降低编码复杂度，减少深度图像的编码时间，并且保证主观质量的损失忽略不计。
-
公开(公告)号：CN118446578A
公开(公告)日：2024-08-06
申请号：CN202410549705.2
申请日：2024-05-06
Applicant: 郑州轻工业大学 , 郑州天启自动化系统有限公司
IPC: G06Q10/0639 , G06F18/25 , G06F18/211 , G06F18/213 , G06Q50/04 , G06N3/006
Abstract: 本发明提出了一种面向成纱质量预测的多任务特征选择方法，其步骤如下：采集棉纱生产过程中的相关数据，包括可能对成绵质量有影响的特征要素和对应的棉纱质量数据，并对采集的数据进行预处理，构建成纱质量预测数据集；根据质量指标生成多个任务，利用多过滤特征融合方法对每个任务和成纱质量预测数据集的样本特征进行综合分析，将与质量指标相关性大的多个样本特征作为每个任务的初始特征子集；基于改进粒子群优化算法并行处理多个任务的初始特征子集，根据知识迁移概率判断各个任务之间的信息是否迁移，利用任务间最优粒子的相互学习优化，不断迭代得到每个任务的最优特征子集。本发明有助于纺织工厂识别影响成纱质量的关键特征，为工艺改进、配方调整及生产流程优化提供科学依据，显著提高预测模型精度，降低企业成本。
-
Patent Agency Ranking
公开(公告)号：CN114257819A
公开(公告)日：2022-03-29
申请号：CN202111556624.8
申请日：2021-12-18
Applicant: 郑州轻工业大学
IPC: H04N19/96 , H04N19/147 , H04N19/503
Abstract: 本发明提出了一种基于时空深度信息的VCC编码单元快速划分方法，步骤为：将最大编码单元的CU进行四叉树划分，四叉树划分结束进行多类型树划分；当最大编码单元的四叉树划分深度为2时，时空相邻CU的平均深度小于2时，则四叉树划分终止；当最大编码单元的四叉树划分深度为3时，时空相邻CU的平均深度小于3时，则四叉树划分终止；当最大编码单元的四叉树划分深度在2~4之间时，CU进行多类型树划分；当最大编码单元的多类型树划分深度为0时，时空相邻的平均深度小于0.1时，CU不需要多类型树划分，否则遍历所有的划分模式；根据率失真代价决策最优的预测方式。本发明平均可节省35.72%的编码时间，同等编码质量下平均比特率增加较少。
-
公开(公告)号：CN111581887A
公开(公告)日：2020-08-25
申请号：CN202010415581.0
申请日：2020-05-16
Applicant: 郑州轻工业大学
Abstract: 本发明公开了一种虚拟环境中基于仿真学习的无人车智能训练方法，本发明对无人车辆运动行为进行仿真，得到仿真数据集，仿真数据集包括当前环境中的环境信息和无人车辆驾驶动作，然后将环境信息进行压缩编码预处理，利用交叉分组的方法将数据集合分组，利用最小二乘法拟合求出关系式中的拟合值，最后使CMA-ES算法在拟合值的基础上进行进化求优，将得到的最优解加入到无人车的智能训练过程中，指导车辆学习良好的行为。
-
公开(公告)号：CN111246218A
公开(公告)日：2020-06-05
申请号：CN202010046667.0
申请日：2020-01-16
Applicant: 郑州轻工业大学
IPC: H04N19/597 , H04N19/96 , H04N19/176 , H04N19/107
Abstract: 本发明提出了一种基于JND模型的CU分割预测和模式决策纹理编码方法，其步骤为：首先，启动模式决策，通过亮度JND模型、空间JND模型和时间JND模型构建纹理视频的多视图纹理JND模型；其次，根据纹理视频的内容设置多视图纹理JND模型的阈值，并根据阈值将纹理视频的树块分为三种类型；再根据当前树块所属类型对当前树块进行自适应CU分割；最后，根据当前树块所属的类型对自适应CU分割的树块进行快速模式决策的预测，确定树块的最佳编码模式。本发明利用JND模型分析纹理图像的树块特征，在早期阶段跳过纹理视频的一些树块，可显著降低3D-HEVC的编码复杂度，同时视频的RD性能的损失可以忽略不计。
-
公开(公告)号：CN111083495A
公开(公告)日：2020-04-28
申请号：CN201911149001.1
申请日：2019-11-21
Applicant: 郑州轻工业大学
IPC: H04N19/567 , H04N19/176 , H04N19/96 , H04N19/70
Abstract: 本发明提出了一种用于降低复杂性的快速高效的3D-HEVC方法，其步骤为：首先，启动树块的决策，导出空间-时间、先前编码视图和纹理深度的对应树块上的预测变量；根据预测变量识别相邻树块与当前树块的运动复杂度，并将当前树块分为静态和复杂运动树块；根据静态或复杂运动树块的运动特性自适应的跳过纹理树块和深度树块的CU深度级别；根据预测变量计算当前树块的率失真代价与相邻树块的率失真代价值，跳过不必要的模式决策，提前终止模式预测。本发明通过执行快速CU深度级别范围确定方法和执行自适应提前终止模式预测方法，能够降低3D-HEVC编码器的计算复杂度，在保证率失真代价值性能的前提下，有效地节省了HTM的编码时间。
-
公开(公告)号：CN111581887B
公开(公告)日：2023-04-07
申请号：CN202010415581.0
申请日：2020-05-16
Applicant: 郑州轻工业大学
IPC: G06F30/27 , G06N3/0455 , G06N3/0475 , G06N3/092 , G06N3/006 , G09B9/04
Abstract: 本发明公开了一种虚拟环境中基于仿真学习的无人车智能训练方法，本发明对无人车辆运动行为进行仿真，得到仿真数据集，仿真数据集包括当前环境中的环境信息和无人车辆驾驶动作，然后将环境信息进行压缩编码预处理，利用交叉分组的方法将数据集合分组，利用最小二乘法拟合求出关系式中的拟合值，最后使CMA‑ES算法在拟合值的基础上进行进化求优，将得到的最优解加入到无人车的智能训练过程中，指导车辆学习良好的行为。
-
-
-
-
-
-
-
-
-
Search Results
35
records
(took 0.032 seconds)
