面向内容的立体视频帧重要性区分模型研究

异构网络引起的视频传输失真是影响视频终端感知质量的重要因素,通常只能在解码端进行评估和补偿。因此在编码端建立一个面向内容的立体视频传输失真模型,考虑错误隐藏和错误扩散两种失真,通过近似估计视频中各帧对终端质量的贡献度,从而实现每帧重要性的区分。新模型综合考虑了视频帧编码位置以及表征内容的编码模式、运动矢量、视差矢量等关键信息,可以作为视频在异构网络中传输策略的重要依据。     

基于迁移学习的蔬菜图像识别方法

为解决蔬菜识别领域缺少带标签样本的问题,提出了一种基于迁移学习的图像识别方法.首先,将原始数据集利用数据增强扩大样本数据量后引入到大规模数据集上的预训练模型.针对迁移过程中高层特征的领域特定性导致的网络泛化性能差,通过加入两层自适应层参数初始化后重新训练得到基本模型;对该基本模型再利用参数冻结的迁移方式进一步调优参数,得到用于蔬菜图像识别的最终网络模型.实验表明,基于CaffeNet和ResNet10两个小型网络的迁移策略可以较好地处理小样本的蔬菜图像识别,训练得到的模型准确率分别为94.97%、96.69%.与其他迁移算法及传统的神经网络方法相比,该算法具有更高的识别性以及更强的鲁棒性.     

基于感知分析的立体视频帧重要性模型

由于丢失不同帧对立体视频质量的终端感知影响不同, 因此提出一个面向内容感知的帧重要性区分模型. 根据立体视频序列的时空相关性及视频帧之间错误扩散的特性, 新模型从帧丢失引起的当前帧的错误隐藏失真和帧丢失引起后续帧的错误扩散失真两方面来计算帧重要性. 实验结果表明: 新模型能够在编码端准确地估算各帧对终端感知的重要性, 对不同运动剧烈程度和视差大小的立体视频序列都具有适用性.     

基于多策略判决的斜拉索参数识别系统研究

鉴于传统斜拉索监测系统中采用的模态参数识别方法对信号处理误差较大、系统的鲁棒性较差的问题,通过对多种模态分析算法的比较并结合综合的判决条件得出较准确的模态参数,设计并实现了基于多策略判决的斜拉索参数识别系统实现信号管理及分析处理,并将结果以GUI界面予以显示.进行了实际工程的应用测试,测试表明该系统的分析处理能使基频值更加精确,并具有很好的时效性和可操作性.     

宏块级立体视频传输失真快速估算方法研究

鉴于传输丢包会严重影响视频重建质量,甚至大范围传播错误,因此通过研究视频通信质量与传输丢包之间的关系,提出了一种适合网络丢包特性的立体视频传输失真模型.该失真模型结合了快速宏块级失真估计方法及帧间宏块拷贝和视点间宏块拷贝的错误隐藏方法,可在丢包信道下快速估计宏块级的立体视频传输失真.实验对比分析表明:所提出的宏块级立体视频传输失真模型准确度较好,可为立体视频传输失真估计提供一定的理论依据与借鉴,对立体视频通信质量的保障具有一定的实用价值.     

深度和结构相似性引导的四参考视点融合算法

平面相机阵列四参考视点的深度图像绘制(Depth Image Based Rendering,DIBR)方案允许用户全方位身临其境地体验场景,可有效避免虚拟视点图像边界空洞,然而该方案引入了较为显著的伪影、背景渗透等失真.为此,提出一种深度和结构相似性(Structural Similarity,SSIM)引导的四参考...