面向H.264SVC空域-时域可伸缩编码的码率分配算法

提出一种面向H.264 SVC空域时域可伸缩编码的码率分配算法。通过对SVC编码过程的分析,设计了一个两阶段基于模型的码率分配算法框架。在每一阶段中沿空域或时域可伸缩性方向上,码率分配问题都被描述为一个优化问题进行求解。在充分挖掘层次间相关性的基础上,提出空域、时域视频层的失真和码率模型。利用所得到的率失真模型,使用拉格朗日乘数法,求取该分配问题的最优数值解。实验结果表明,新的率失真模型所提供的高效码率分配算法,大幅度提高了现有参考代码JSVM的性能,其编码效率平均增益达1.22 dB。     

面向H.264 SVC空域-时域可伸缩编码的码率分配算法

提出一种面向H.264 SVC空域?时域可伸缩编码的码率分配算法。通过对SVC编码过程的分析, 设计了一个两阶段基于模型的码率分配算法框架。在每一阶段中沿空域或时域可伸缩性方向上, 码率分配问题都被描述为一个优化问题进行求解。在充分挖掘层次间相关性的基础上, 提出空域、时域视频层的失真和码率模型。利用所得到的率失真模型, 使用拉格朗日乘数法, 求取该分配问题的最优数值解。实验结果表明, 新的率失真模型所提供的高效码率分配算法, 大幅度提高了现有参考代码JSVM的性能, 其编码效率平均增益达1.22 dB。     

基于人体骨架特征学习的动作识别

动作识别是计算机视觉研究中的一个基本但具有挑战性的问题.在过去的几年中,许多基于RGB视频的识别技术已经得到了巨大的发展,并取得了显著的成果.但是,处理RGB视频可能非常耗时.其中,在动作识别领域,人体骨架数据具有轻量级的特点,同时对人体外观、环境背景等信息具有不变性,因此,这种数据模态受到了越来越多的关注.然而,基于人体骨架的动作识别面临两个问题:人体骨架数据的噪声问题和数据标注的依赖问题.噪声问题是指骨架数据中存在噪声影响数据的准确性,而数据标注依赖问题则是指在监督学习中,需要大量的标签数据进行训练.本文针对人体骨架数据在采集中的噪声问题,提出了一种基于噪声适应的动作识别模型,设计了回归模型和生成模型充分利用不同场景下的噪声数据特点.并且针对人体骨架数据过于依赖标签数据,利用自监督学习方法,提出了一个基于多任务自监督学习的动作识别方法.     

基于显著性疏表示的图像超分辨率算法简

提出了一种全新的基于视觉显著度和上下文稀疏分解的图像超分辨率算法。利用人眼视觉感知显著的区域往往趋向于高度结构化的特性,字典学习和稀疏分解过程中可以捕获更多细节特征。在字典学习部分,视觉显著区域提取出的图像样本用来训练显著字典。在先验模型的部分,由于视觉显著区域通常趋于高度结构化,基于上下文的稀疏分解被用来进一步探索相邻图像块之间的联系。实验结果表明,所提出的方法在性能上优于其他最新的方法,峰值信噪比（PSNR）增益最大。主观结果也显示,所提出的方法可以有效减少假影现象,并保持更多细节。     

基于显著性稀疏表示的图像超分辨率算法

提出了一种全新的基于视觉显著度和上下文稀疏分解的图像超分辨率算法。利用人眼视觉感知显著的区域往往趋向于高度结构化的特性,字典学习和稀疏分解过程中可以捕获更多细节特征。在字典学习部分,视觉显著区域提取出的图像样本用来训练显著字典。在先验模型的部分,由于视觉显著区域通常趋于高度结构化,基于上下文的稀疏分解被用来进一步探索相邻图像块之间的联系。实验结果表明,所提出的方法在性能上优于其他最新的方法,峰值信噪比(PSNR)增益最大。主观结果也显示,所提出的方法可以有效减少假影现象,并保持更多细节。