您的检索：
学者姓名：施云惠
精炼检索结果：
年份
成果类型
收录类型
来源
综合
曾用名
合作者
语言
清除所有精炼条件
摘要 ：
基于窗口注意力的神经数据依赖变换的图像压缩方法属于计算机视觉领域。考虑每个输入图像的率失真RD性能很有意义，现有方法没有充分考虑每个图像的概率属性和局部纹理，RD性能有待进一步提高。本发明中扩展的窗口注意力模型(EWAM)联合学习图像的概率属性和局部纹理。一种基于卷积神经网络的框架，包括以下组件：语法生成器和权重生成器，通过模型流来学习语法和语法权重；上下文模型，通过内容流来学习内容；超先验模型，通过潜在表示学习分布；以及EWAM，通过窗口注意力进一步提高概率属性的精度和局部纹理的清晰度。本发明不仅能够在线优化每张图像的RD性能，而且具有更清晰的纹理和结构，在客观指标上优于目前最先进的方法。
引用：
复制并粘贴一种已设定好的引用格式，或利用其中一个链接导入到文献管理软件中。
| GB/T 7714 | 施云惠 , 叶莉萍 , 王瑾 et al. 基于窗口注意力的神经数据依赖变换的图像压缩方法 : CN202310580643.7[P]. | 2023-05-23 . |
| MLA | 施云惠 et al. "基于窗口注意力的神经数据依赖变换的图像压缩方法" : CN202310580643.7. | 2023-05-23 . |
| APA | 施云惠 , 叶莉萍 , 王瑾 , 尹宝才 . 基于窗口注意力的神经数据依赖变换的图像压缩方法 : CN202310580643.7. | 2023-05-23 . |
| 导入链接 | NoteExpress RIS BibTex |
摘要 ：
一种基于超先验可变码率图像压缩的精准R‑λ模型码率控制方法属于计算机视觉领域，针对基于超先验可变码率图像压缩框架无法对于单张图像的目标码率给出相应的拉格朗日乘子。本方法为任意图像和任意基于超先验可变码率图像压缩模型建立拉格朗日乘子λ和码率R的关系，提出精准R‑λ模型。通过3次编码拟合单张图像的精准R‑λ模型。计算出对应目标码率应该输入的拉格朗日乘子。最后对于该图像的任意输入码率，都可以输出与输入码率相近的输出码率，平均误差控制在0.6％下，实现精准的码率控制。
引用：
复制并粘贴一种已设定好的引用格式，或利用其中一个链接导入到文献管理软件中。
| GB/T 7714 | 施云惠 , 王鹏权 , 王瑾 et al. 一种基于超先验可变码率图像压缩的精准R-λ模型码率控制方法 : CN202310579557.4[P]. | 2023-05-23 . |
| MLA | 施云惠 et al. "一种基于超先验可变码率图像压缩的精准R-λ模型码率控制方法" : CN202310579557.4. | 2023-05-23 . |
| APA | 施云惠 , 王鹏权 , 王瑾 , 尹宝才 . 一种基于超先验可变码率图像压缩的精准R-λ模型码率控制方法 : CN202310579557.4. | 2023-05-23 . |
| 导入链接 | NoteExpress RIS BibTex |
摘要 ：
一种基于结构和纹理合成的概念图像压缩方法属于计算机视觉领域，本发明所提的压缩框架允许将图像编码为紧凑的、高级可解释的表示来进行重建。利用图像处理技术，将原图转换为保边平滑的结构图，得到图像的结构层，提供图像的结构信息；从原图中心提取的纹理块作为图像的纹理层，提供图像的局部详细纹理信息。将图像的结构层和纹理层进行下采样，结合BPG编码器实现了图像的极致压缩，并用超分辨率模型进行上采样与生成模型保证重建质量。
引用：
复制并粘贴一种已设定好的引用格式，或利用其中一个链接导入到文献管理软件中。
| GB/T 7714 | 施云惠 , 赵新丽 , 王瑾 et al. 一种基于结构和纹理合成的概念图像压缩方法 : CN202211530532.7[P]. | 2022-12-01 . |
| MLA | 施云惠 et al. "一种基于结构和纹理合成的概念图像压缩方法" : CN202211530532.7. | 2022-12-01 . |
| APA | 施云惠 , 赵新丽 , 王瑾 , 尹宝才 . 一种基于结构和纹理合成的概念图像压缩方法 : CN202211530532.7. | 2022-12-01 . |
| 导入链接 | NoteExpress RIS BibTex |
摘要 ：
三维网格表示方法及三维网格卷积神经网络模型，能够相对完整地保留形状内在几何结构信息，在特征提取方面优于现有的方法，在应用于3D网格的各种学习任务(如分类和分割)中获得了更高的准确率。该方法针对三维形状图像数据，通过对网格表面的连续热信号进行重采样而得到的边信号。
引用：
复制并粘贴一种已设定好的引用格式，或利用其中一个链接导入到文献管理软件中。
| GB/T 7714 | 施云惠 , 李婷婷 , 王瑾 et al. 三维网格表示方法及其卷积神经网络模型 : CN202210513680.1[P]. | 2022-05-11 . |
| MLA | 施云惠 et al. "三维网格表示方法及其卷积神经网络模型" : CN202210513680.1. | 2022-05-11 . |
| APA | 施云惠 , 李婷婷 , 王瑾 , 尹宝才 . 三维网格表示方法及其卷积神经网络模型 : CN202210513680.1. | 2022-05-11 . |
| 导入链接 | NoteExpress RIS BibTex |
摘要 ：
本发明涉及一种基于学习的边信息补偿图像压缩方法，用于解决图像和视频的压缩问题，具体包括本发明通过引入多尺度表示提取两层边信息作为浅层超先验和深层超先验，从而实现更准确和灵活的熵模型。此外，浅层超先验可以捕获潜在表示的空间依赖，同时也可以微调潜在表示来提升重建质量。其次，本发明提取的深层超先验作为浅层超先验的超先验，可以提升浅层超先验的有效性和准确性。最后，本发明设计了一种有效的残差通道注意力块，可以增强潜在表示通道之间的交互关系以及适用于我们基于残差的网络结构。
引用：
复制并粘贴一种已设定好的引用格式，或利用其中一个链接导入到文献管理软件中。
| GB/T 7714 | 施云惠 , 张康富 , 王瑾 et al. 一种基于学习的超先验边信息补偿图像压缩方法 : CN202210011926.5[P]. | 2022-01-06 . |
| MLA | 施云惠 et al. "一种基于学习的超先验边信息补偿图像压缩方法" : CN202210011926.5. | 2022-01-06 . |
| APA | 施云惠 , 张康富 , 王瑾 , 尹宝才 . 一种基于学习的超先验边信息补偿图像压缩方法 : CN202210011926.5. | 2022-01-06 . |
| 导入链接 | NoteExpress RIS BibTex |
摘要 ：
本发明为了解决球面图像压缩效率问题，提出了一种基于球面小波变换的球面图像压缩方法，包括采用现有的基于球面测度的球面图像表示SMSIR对球面三角像元进行索引，利用基于SMSIR的球面小波变换对球面三角像元进行变换，利用SMSIR图像压缩方案S‑SPIHT对变换后的球面小波系数进行扫描编解码完成球面图像压缩，所述的S‑SPIHT是对SPIHT的改进，改进之处在于像素坐标的设置，即球形图像使用三维坐标dk(pk, qk, mk)表示，除此之外改进之处还可以是同时改变像素坐标的设置以及重新设计SPIHT的扫描顺序，具体包括有序根树索引扫描ORTIS、二进索引逐行扫描DIPS、以及二进索引交叉扫描DICS。
引用：
复制并粘贴一种已设定好的引用格式，或利用其中一个链接导入到文献管理软件中。
| GB/T 7714 | 施云惠 , 王欢 , 王瑾 et al. 基于球面小波变换的球面图像压缩方法 : CN202210019249.1[P]. | 2022-01-07 . |
| MLA | 施云惠 et al. "基于球面小波变换的球面图像压缩方法" : CN202210019249.1. | 2022-01-07 . |
| APA | 施云惠 , 王欢 , 王瑾 , 吴刚 , 尹宝才 . 基于球面小波变换的球面图像压缩方法 : CN202210019249.1. | 2022-01-07 . |
| 导入链接 | NoteExpress RIS BibTex |
摘要 ：
本发明针对基于超先验可变码率图像压缩方法无法针对目标码率快速给出网络应该输入的权衡参数的问题，提出了一种基于超先验可变码率图像压缩的个体R‑λ模型码率控制方法。本方法首先针对基于超先验模型的可变码率压缩框架，通过挖掘测试样本集合的码率与失真优化中的权衡参数λ之间的关系，提出了平均R‑λ模型；然后，假设个体R‑λ模型与平均R‑λ模型共享相同的结构，构建了自适应个体图像分布特性的个体R‑λ模型，并在此基础上建立基于个体R‑λ模型的码率控制算法，该算法通过调整权衡参数λ调节编码比特率，实现码率控制。本发明实现了对于任意图像，给定目标码率下，快速计算出应该输入网络的权衡参数，且码率控制的码率平均相对误差在百分之一到百分之三之间。
引用：
复制并粘贴一种已设定好的引用格式，或利用其中一个链接导入到文献管理软件中。
| GB/T 7714 | 施云惠 , 张康富 , 王瑾 et al. 一种基于超先验可变码率图像压缩的个体R-λ模型码率控制方法 : CN202210633309.9[P]. | 2022-06-06 . |
| MLA | 施云惠 et al. "一种基于超先验可变码率图像压缩的个体R-λ模型码率控制方法" : CN202210633309.9. | 2022-06-06 . |
| APA | 施云惠 , 张康富 , 王瑾 , 尹宝才 . 一种基于超先验可变码率图像压缩的个体R-λ模型码率控制方法 : CN202210633309.9. | 2022-06-06 . |
| 导入链接 | NoteExpress RIS BibTex |
摘要 ：
本发明涉及一种基于局部几何一致性与特征一致性的点云补全方法，用于解决点云补全任务中补全结果细节丢失严重以及补全的点云分布不均匀的问题，具体方案包括：基于特征一致性的方法通过加强预测值与真实值之间对应局部区域点云分布的一致性，解决细节丢失问题；此外，在点云生成过程中，本发明采用“粗糙到细节”多阶段方式生成不同尺度的点云，所以，基于特征一致性的方法通过将不同尺度点云映射到特征空间，通过加强不同尺度点云在特征空间的一致性，使得不同尺度的点云在几何形状上更加一致，使得最终的补全结果更加接近真实值。本发明与现有的方法比，很大程度上克服了上述提及的问题，本发明具有明显的提升效果。
引用：
复制并粘贴一种已设定好的引用格式，或利用其中一个链接导入到文献管理软件中。
| GB/T 7714 | 施云惠 , 王一波 , 王瑾 et al. 一种基于局部几何一致性与特征一致性的点云补全方法 : CN202210195181.2[P]. | 2022-03-01 . |
| MLA | 施云惠 et al. "一种基于局部几何一致性与特征一致性的点云补全方法" : CN202210195181.2. | 2022-03-01 . |
| APA | 施云惠 , 王一波 , 王瑾 , 尹宝才 . 一种基于局部几何一致性与特征一致性的点云补全方法 : CN202210195181.2. | 2022-03-01 . |
| 导入链接 | NoteExpress RIS BibTex |
摘要 ：
简单线性迭代聚类(simple linear iterative clustering,SLIC)超像素分割算法可以直接用于等距柱状投影(equirectangular projection,ERP)的球面图像,但是投影所造成的球面数据局部相关性破坏,会导致SLIC算法在ERP图像的部分区域无法生成合适的超像素分类,从而影响该算法的性能.为解决这一问题,首先对ERP格式的球面图像进行重采样,生成球面上近似均匀分布的球面像元数据;然后在保持球面图像数据局部相关性的基础上,将重采样数据重组为一个新的球面图像二维表示;并基于此二维表示,将球面数据的几何关系整合到SLIC算法中,最终建立球面图像SLIC算法.针对多组ERP图像分别应用SLIC算法和本文提出的算法,对比2种算法在不同聚类数量下的超像素分割结果.实验结果表明:所提出的球面图像SLIC算法在客观质量上优于原SLIC算法,所生成的超像素分割结果不受球面区域变化影响,且轮廓闭合,在球面上表现出了较好的相似性和一致性.
关键词 ：
SLIC算法 SLIC算法 聚类 聚类 超像素 超像素 重采样 重采样 球面图像 球面图像 图像分割 图像分割
引用：
复制并粘贴一种已设定好的引用格式，或利用其中一个链接导入到文献管理软件中。
| GB/T 7714 | 吴刚 , 施云惠 , 尹宝才 . 球面图像的SLIC算法 [J]. | 北京工业大学学报 , 2021 , 47 (3) : 216-223 . |
| MLA | 吴刚 et al. "球面图像的SLIC算法" . | 北京工业大学学报 47 . 3 (2021) : 216-223 . |
| APA | 吴刚 , 施云惠 , 尹宝才 . 球面图像的SLIC算法 . | 北京工业大学学报 , 2021 , 47 (3) , 216-223 . |
| 导入链接 | NoteExpress RIS BibTex |
摘要 ：
球面图像的SLIC算法
关键词 ：
图像分割 图像分割 超像素 超像素 SLIC算法 SLIC算法 重采样 重采样 球面图像 球面图像 聚类 聚类
引用：
复制并粘贴一种已设定好的引用格式，或利用其中一个链接导入到文献管理软件中。
| GB/T 7714 | 吴刚 , 施云惠 , 尹宝才 et al. 球面图像的SLIC算法 [J]. | 吴刚 , 2021 , 47 (3) : 216-223 . |
| MLA | 吴刚 et al. "球面图像的SLIC算法" . | 吴刚 47 . 3 (2021) : 216-223 . |
| APA | 吴刚 , 施云惠 , 尹宝才 , 北京工业大学学报 . 球面图像的SLIC算法 . | 吴刚 , 2021 , 47 (3) , 216-223 . |
| 导入链接 | NoteExpress RIS BibTex |
导出
| 数据： |
选中 到 |
| 格式： |
