上海秉銘1065325基于局部期望圖像降噪SICKSFM60-HPAT0K02高分辨率視頻中使用了更多的像素來描述空間中相同幅度的運動,這會導致幀間編碼過程中需要搜索的范圍與所需要的參考幀像素存儲器大小隨著視頻中圖像對角線像素數目的平方增長,從而給硬件幀間編碼器的設計帶來巨大的困難.本文提出了一種以編碼樹單元為單位,利用當前幀及時域相鄰幀中的信息,確定搜索起點的方法;而且在編碼效率僅下降約1.6%的情況下,將參考幀像素存儲器的規(guī)模減小約91.5%. 針對現有基于深度學習圖像描述生成模型,在圖像特征編碼階段,由于編碼器提取的圖像特征較為單一,圖像信息利用不充分,造成文字對圖片內容描述得不夠準確、語義較模糊的問題,在VGG19基礎上,改進現有模型對圖像特征的編碼形式,通過提取和融合圖像多尺度特征的方法,獲取更豐富的圖像信息。在MSCOCO數據集上進行訓練和測試,實驗結果表明,提出的模型能夠生成更加準確、完整,更有意義的圖像描述語句。

        上海秉銘1065325基于局部期望圖像降噪SICKSFM60-HPAT0K02自動編碼器在強噪聲環(huán)境下分類效果低的特征,提出了基于改進型稀疏自動編碼器組合的深度學習方法。在采用計算相關熵的方法,增強了稀疏自動編碼器對非高斯噪聲的魯棒性的基礎上,利用卷積神經網絡對自動編碼器進行邊緣降噪,接著將改進后的稀疏自動編碼器和邊緣降噪自動編碼器相結合,得到新的稀疏邊緣降噪自動編碼器。實測數據的實驗結果表明,新的稀疏邊緣降噪自動編碼器比現有的分類算法,計算時間更短、準確率更高、效果更明顯。 傳統(tǒng)基于深度學習的視頻目標分割方法在線微調深度網絡,導致分割耗時長,難以滿足實時的需求.本文提出一種快速的視頻目標分割方法.首先,參數共享的孿生編碼器子網將參考流和目標流映射到相同的特征空間,使得相同的目標具有相似的特征.然后,全局特征提取子網在特征空間中匹配給定目標相似的特征,定位目標對象.后,子網將目標特征還原,并通過連接目標流的低階特征,提供邊緣信息,終輸出目標的分割掩碼.在公開基準數據集上的實驗表明,本文方法的分割速度有大幅度提升,同時具有較好的分割效果.