CN112015932A - 一种基于神经网络的图片存储方法、介质及装置 - Google Patents

一种基于神经网络的图片存储方法、介质及装置 Download PDF

Info

Publication number
CN112015932A
CN112015932A CN202010950871.5A CN202010950871A CN112015932A CN 112015932 A CN112015932 A CN 112015932A CN 202010950871 A CN202010950871 A CN 202010950871A CN 112015932 A CN112015932 A CN 112015932A
Authority
CN
China
Prior art keywords
image
network
encoder
decoder
neural network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010950871.5A
Other languages
English (en)
Inventor
陈海波
赵昕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenlan Artificial Intelligence Application Research Institute (Shandong) Co.,Ltd.
Original Assignee
Deep Blue Technology Shanghai Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Deep Blue Technology Shanghai Co Ltd filed Critical Deep Blue Technology Shanghai Co Ltd
Priority to CN202010950871.5A priority Critical patent/CN112015932A/zh
Publication of CN112015932A publication Critical patent/CN112015932A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/51—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
    • H04N19/102—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or selection affected or controlled by the adaptive coding
    • H04N19/132—Sampling, masking or truncation of coding units, e.g. adaptive resampling, frame skipping, frame interpolation or high-frequency transform coefficient masking
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/42—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals characterised by implementation details or hardware specially adapted for video compression or decompression, e.g. dedicated software implementation
    • H04N19/423—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals characterised by implementation details or hardware specially adapted for video compression or decompression, e.g. dedicated software implementation characterised by memory arrangements
    • H04N19/426—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals characterised by implementation details or hardware specially adapted for video compression or decompression, e.g. dedicated software implementation characterised by memory arrangements using memory downsizing methods

Abstract

本发明公开了一种基于神经网络的图片存储方法、介质及装置。包括构建图像数据库；构建神经网络结构，包括输入图像、编码器网络、编码、解码器网络和图像输出；编码器网络，输入为RGB的图像，输出的编码为浮点数；解码器网络，解码器的输入编码的维数与编码器网络输出维数相同，解码器网络结构的隐藏层与编码器网络的隐藏层个数相同；解码器网络的反卷积层个数与所述的编码器网络的卷积层相同，编码器网络和解码器网络都包含一个全连接层编码器网络卷积层的卷积核和解码器网络反卷积层的卷积核大小、卷积核深度通道数、卷积步长分别相等，RGB的图像输出通道个数与编码器网络输入通道个数相同。本发明方法可以存储高质量真实照片。

Description

一种基于神经网络的图片存储方法、介质及装置
技术领域
本发明涉及图像处理与人工智能领域，尤其是涉及一种基于神经网络的图片存储方法、介质及装置。
背景技术
现有的图像存储方法有两种方式：位图存储(Bitmap)和矢量存储(Vector)。
位图图像，常用的图片存储方式都是位图图像。位图图像又称作点阵图像、位映射图像，它是由一系列像素组成的可识别的图像。如果把一幅位图图像看成一个数字矩形，则矩形中的任一元素(即像素)对应于图像中的一个点，而相应的值对应于该点的颜色或者灰度。位图图像与分辨率有关，任何一幅位图图像都含有有限的像素。图像分辨率取决于显示图像的大小。显示图像小时，像素就少.增加了分辨率；显示图像大时，像素就变多，则降低了分辨率。当一幅图像显示得很大时，就可以看到锯齿状的边缘和块状结构的过渡，就像一幅马赛克图像。如果想要边缘光滑，就必须增加图像中的像素数目。
特性：
(1)位图图像是由固定数目像素组成的任何图像，无论它有多少色彩。所以.处理内容复杂的图像或者希望得到真实照片那样的图像，则采用位图图像最合适。
(2)位图图像的品质与图像分辨率有关。所以，应根据不同的图像品质需要，设置不同的图像分辨率，才能经济快捷地进行图像处理。当图像需要高质量的输出或者保存，希望得到清晰的图像，则提高图像分辨率。当然这样的话由于产生的图像文件增大，它所需要的存储空间也大，处理图像的时间也较长。对于小尺寸的图像，只在屏幕上显示作品(如多媒体图像)，图像分辨率可以设置低一点。最好反复实践，根据需要设置合适的图像分辨率。
矢量图像，用于各类设计的图多采用矢量图像。矢量图形不是直接描述图像数据的每一个点.而是描述产生这些点的过程以及方法，通过数学方程来对图形的边线和内部填充描述以建立图形。矢量图形的关键是计算机用数学方程来描述物体。矢量图形是由各个矢量对象组成，它是用数学原理将各种矢量对象组合而成的图形，以一组指令的形式存在。这些指令描述依附图形中所包台的直线、圆、弧线等对象的各种属性，也可以使用更为复杂的形式表示图像中曲面、光照、材质等效果。图形中的每一个对象都是一个独立的实体，都独立的定义了各自的色彩、形状、轮廓、尺寸以及位置等属性。
特性：
(1)由于矢量图形把线段、形状及文本定义为数学方程，因此矢量图形与分辨率无关，对图形的更为细致、真实。它可以将图形的尺寸任意改变而不会导致失真和降低图形的质量。这是矢量图形一个非常有用的特点。
(2)由于矢量图形与分辨率无关，因此矢量图形可以自动适应输出设备的最大分辨率。以打印机作为输出设备时，打印机把矢量图形的数学方程变成打印机的像素，无论打印的图形有多大，图形看上去都十分均匀清晰。
(3)由于矢量图形是以数学方法描述的图形，它并不存储图形的每一点，而只存储图形内容的轮廓部分，因此不含有位图图像的矢量图形的存储空间较位图图像的存储空间要小得多。
(4)在矢量图形中，文件大小取决于图形中所包含对象的数量和复杂程度，因此矢量图形文件大小与输出图形的大小几乎没有关系，这一点与位图图像正好相反。
(5)在矢量图形中可以只编辑其中某个对象而不影响图形中的其他对象。矢量图形中的对象可以互相覆盖而不会互相影响。
1、位图图像的存储方式存在的问题：占用大量的存储空间和较长的处理时间，简单的位图几k到上百k，而复杂的位图就要占用几十M甚至更大的存储空间，需要更大的存储器，大容量的磁盘。
2、矢量图像的存储方式存在的问题：主要用于各类设计，对真实照片逼真度低，要画出自然度高的图像需要很多的技巧，无法产生色彩艳丽、复杂多变的图像。
发明内容
1、本发明的目的
本发明为了降低图片存储空间、降低图片处理时间，实现高质量存储图片而提出了一种基于神经网络的图片存储方法、介质及装置。
2、本发明所采用的技术方案
本发明提出了一种基于神经网络的图片存储方法，包括以下步骤：
构建图像数据库；
构建神经网络结构，神经网络采用自编码器结构，包括输入图像、编码器网络、编码、解码器网络和图像输出；
其中，所述的编码器网络，输入为RGB的图像，输出的编码为浮点数；
所述的解码器网络，解码器的输入编码的维数与编码器网络输出维数相同，解码器网络结构的隐藏层与编码器网络的隐藏层个数相同；所述的解码器网络的反卷积层个数与所述的编码器网络的卷积层相同，所述的编码器网络和所述的解码器网络都包含一个全连接层；所述的编码器网络卷积层的卷积核和所述的解码器网络反卷积层的卷积核大小、卷积核深度通道数、卷积步长分别相等，RGB的图像输出通道个数与编码器网络输入通道个数相同。
优选的，包括以下步骤：图片数据库的数据作为神经网络的训练数据，训练所述的构建神经网络结构；
读取数据库的图像，将图像输入编码器网络，得到编码，将编码输入解码器网络，得到解码后的图像，利用解码后的图像和编码前的图像做损失，利用反向传播算法更新编码器网络和解码器网络；网络训练好后，保存编码器网络结构和网络参数作为图像编码器，保存解码器网络结构和网络参数作为图像解码器。
优选的，输入为3通道即深度为3的RGB的图像，所述的编码器网络卷积步长为2；全连接层的神经元个数为128。
优选的，还包括构建图像存储单元，包括两个模块：
图像编码器模块，根据所述的构建神经网络结构训练的图像编码器，存储图像编码信息；
图像下采样压缩模块；把所述的图像变成缩略图，并将图像编码信息存储在缩略图的属性信息栏中。
优选的，还包括构建图像提取单元，包括图像解码器模块；
根据所述的构建神经网络结构训练的图像解码器，图像在提取时，从缩略图属性信息中得到图像编码信息，并输入图像解码器得到图像的原图。
优选的，所述的图像数据库不少于5000万。
优选的，根据所述的构建神经网络结构训练的编码器网络参数全部固定，构成图像编码器模块。
优选的，根据所述的构建神经网络结构训练的解码器网络参数全部固定，构成图像解码器模块。
本发明提出了一种基于神经网络的图片存储介质，存储所述的基于神经网络的图片存储方法。
本发明提出了一种基于神经网络的图片存储装置，包括：
存储器；
一个或多个处理器，以及
一个或多个程序，存储在存储器中，并被配置成由所述一个或多个处理器执行，所述程序被所述处理器执行时实现所述的图片存储方法。
3、本发明所采用的有益效果
(1)相对于“位图存储”，本发明方法极大的降低图片存储空间，图片不会因为分辨率太大而占用巨量空间。比如一张5M的位图，如果通过本发明存储方法，则占用空间仅为2k或者更小。由于所有的图像的结构信息和内容信息都存于网络结构中，所以只要存储图像的编码和缩略图即可。
(2)相对于“矢量存储”，本发明方法极大的加快了图片加载速度，本发明方法是通过神经网络矩阵运算加速，可以通过编码快速提取原始图像，不需要长时间的数学计算。
(3)相对于“矢量存储”，本发明方法可以存储高质量真实照片，没有“矢量存储”的缺陷。
附图说明
图1为本发明框架图。
图2为本发明构建图像数据库示意图。
图3为本发明构建神经网络结构示意图。
图4为本发明编码器网络结构示意图。
图5为本发明解码器网络结构示意图。
图6为本发明图像存储单元示意图。
图7为本发明图像提取单元示意图。
具体实施方式
下面结合本发明实例中的附图，对本发明实例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域技术人员在没有做创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。
下面将结合附图对本发明实例作进一步地详细描述。
本发明提出了一种基于神经网络的新型图像存储方法，该方法与现有的方法“位图存储”和“矢量存储”均不同，该方法将所有图像的内容信息和结构信息都保存在神经网络中，通过神经网络可以编码或恢复。
本发明构建了一个图像提取单元，该单元包含图像解码模块，通过缩略图和编码信息进入图像提取单元可以快速提取图片；
1)构建图像数据库
在各大图像网站下载各类图像，利用下载的图像数据构建一个大型图片库，样本库中图片数据不少于5000万。
2)构建神经网络模型并训练
神经网络采用自编码器模型，该神经网络模型结构由编码器网络和解码器网络两部分组成。把第一步图像数据库的图像数据作为样本输入自编码器神经网络，训练自编码器神经网络。待自编码器神经网络可以完成将任意输入的图像通过网络(编码器网络——编码——解码器网络)后得到输出图像与任意输入图像完全一样时，则神经网络模型训练完成。
①将训练好的编码器网络的参数全部固定，作为图像编码器。
②将训练好的解码器网络的参数全部固定，作为图像解码器。
③在使用阶段，任意图像通过图像编码器，都可以得到一个编码向量，该编码向量是当前图像的唯一编码。同样，将该编码通过图像解码器，则可以将编码还原成该图像。
3)图像存储单元应用
将图像输入图像存储单元，图像存储单元里包括两个模块：下采样模块和图像编码器模块。下采样模块负责将图像变成缩略图，用户在查看的时候，可以查看到图片大致信息。图像编码器模块可以将图像转换成图像编码，该编码存储于缩略图的图像属性详细信息中的备注、标题或标记等信息中。
4)图像提取单元应用
用户在选择好要查看的缩略图片后，可以双击进入图片，缩略图和编码信息自动输入图像提取单元(该单元包含图像解码器模块)，直接得到原始图片。
实施例
该方法主要内容包括，建立图像数据库，构建自编码器神经网络，训练神经网络，构建图像存储单元，构建图像提取单元。具体框架如图1所示。
步骤1：构建图像数据库
收集图像数据，通过网络下载各类图像，利用下载的图像数据构建一个大型图片库，样本库中的图片各个领域，比如人物、自然、科技、生活等，应该具有广泛性，数据量应不小于1000万。步骤如图2所示。
步骤2：构建神经网络结构
神经网络采用自编码器结构，该结构如图3所示，由输入图像、编码器网络(E,encoder)、编码(C,code)、解码器网络(D,decoder)和输出图像5部分组成。
编码器网络E结构
编码器的输入是3通道的RGB的图像(高h宽w深3)，编码器网络结构是由n个隐藏层组成，包括n-1个卷积层和1个全连接层。卷积层的卷积核大小为i*j，卷积核深度通道数为m，卷积步长为2。全连接层的神经元个数为128，最后一个卷积层的输出通过变形拉平后经过全连接层后输出128维的编码。将图像输入编码器网络的卷积层，输出依次进入下层神经网络，最后生成编码，编码的形式为128维的浮点数，例如[0.124,-1.254,...,0.396]。如图4。
解码器网络D结构
解码器的输入是128维的编码，解码器网络结构是由n个隐藏层组成，包括1个全连接层和n-1个反卷积层。全连接层的神经元个数为128，经过全连接层后，输入反卷积层。反卷积层的卷积核大小为i*j，卷积核深度通道数为m，卷积步长为2。经过n-1个反卷积层后，可以得到3通道的RGB的图像(高h宽w深3)。如图5。
步骤3：训练神经网络
步骤1中图片数据库的数据作为神经网络的训练数据，训练步骤2搭建好的自编码器神经网络。训练过程：读取数据库的图像，将图像A输入编码器网络E，得到编码C，将编码C输入解码器网络D，得到解码后的图像A`，利用解码后的图像A`和编码前的图像A做损失，利用反向传播算法更新编码器网络和解码器网络。网络训练好后，保存编码器网络结构和网络参数作为图像编码器，保存解码器网络结构和网络参数作为图像解码器。
步骤4：构建图像存储单元
图像存储单元由两个模块组成，一个是步骤3训练好的图像编码器模块，二是图像下采样压缩模块。下采样：对于一个样值序列间隔几个样值取样一次，这样得到新序列就是原序列的下采样。
图像编码器模块用来存储图像编码信息。图像下采样模块用来把图像变成缩略图，缩略图可以帮助方便查询图片。图像在存储时，图像分别进入图像编码器模块和图像下采样压缩模块，得到128维编码和缩略图，将128编码保存在缩略图的属性信息栏中。具体如图6所示。
步骤5：构建图像提取单元
图像提取单元由图像解码器模块组成，解码器模块就是步骤3已经训练好的图像解码器。图像在提取时，从缩略图属性信息中得到128维编码信息，将128编码信息输入图像解码器模块得到图像的原图。具体如图7所示。
本发明构建了一个图像存储单元，该单元包含下采样模块和图像编码器模块，这两个模块可以把图像转换成缩略图和编码信息作为图像的存储单元；图像存储的构建方法：神经网络方法；图像存储的构建介质：神经网络参数；图像存储的构建装置：包含已训练好网络的各类图像存储及提取装置；
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (10)

1.一种基于神经网络的图片存储方法，其特征在于，包括以下步骤：
构建图像数据库；
构建神经网络结构，神经网络采用自编码器结构，包括输入图像、编码器网络、编码、解码器网络和图像输出；
其中，所述的编码器网络，输入为RGB的图像，输出的编码为浮点数；
所述的解码器网络，解码器的输入编码的维数与编码器网络输出维数相同，解码器网络结构的隐藏层与编码器网络的隐藏层个数相同；所述的解码器网络的反卷积层个数与所述的编码器网络的卷积层相同，所述的编码器网络和所述的解码器网络都包含一个全连接层；所述的编码器网络卷积层的卷积核和所述的解码器网络反卷积层的卷积核大小、卷积核深度通道数、卷积步长分别相等，RGB的图像输出通道个数与编码器网络输入通道个数相同。
2.根据权利要求1所述的基于神经网络的图片存储方法，其特征在于，包括以下步骤：图片数据库的数据作为神经网络的训练数据，训练所述的构建神经网络结构；
读取数据库的图像，将图像输入编码器网络，得到编码，将编码输入解码器网络，得到解码后的图像，利用解码后的图像和编码前的图像做损失，利用反向传播算法更新编码器网络和解码器网络；网络训练好后，保存编码器网络结构和网络参数作为图像编码器，保存解码器网络结构和网络参数作为图像解码器。
3.根据权利要求1所述的基于神经网络的图片存储方法，其特征在于，输入为3通道即深度为3的RGB的图像，所述的编码器网络卷积步长为2；全连接层的神经元个数为128。
4.根据权利要求2所述的基于神经网络的图片存储方法，其特征在于，还包括构建图像存储单元，包括两个模块：
图像编码器模块，根据所述的构建神经网络结构训练的图像编码器，存储图像编码信息；
图像下采样压缩模块；把所述的图像变成缩略图，并将图像编码信息存储在缩略图的属性信息栏中。
5.根据权利要求4所述的基于神经网络的图片存储方法，其特征在于，还包括构建图像提取单元，包括图像解码器模块；
根据所述的构建神经网络结构训练的图像解码器，图像在提取时，从缩略图属性信息中得到图像编码信息，并输入图像解码器得到图像的原图。
6.根据权利要求1所述的基于神经网络的图片存储方法，其特征在于，所述的图像数据库不少于5000万。
7.根据权利要求4所述的基于神经网络的图片存储方法，其特征在于，根据所述的构建神经网络结构训练的编码器网络参数全部固定，构成图像编码器模块。
8.根据权利要求5所述的基于神经网络的图片存储方法，其特征在于，根据所述的构建神经网络结构训练的解码器网络参数全部固定，构成图像解码器模块。
9.一种基于神经网络的图片存储介质，其特征在于，存储如权利要求权利要求1-8任一所述的基于神经网络的图片存储方法。
10.一种基于神经网络的图片存储装置，其特征在于，包括：
存储器；
一个或多个处理器，以及
一个或多个程序，存储在存储器中，并被配置成由所述一个或多个处理器执行，所述程序被所述处理器执行时实现所述的权利要求1-8任一所述的图片存储方法。
CN202010950871.5A 2020-09-11 2020-09-11 一种基于神经网络的图片存储方法、介质及装置 Pending CN112015932A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010950871.5A CN112015932A (zh) 2020-09-11 2020-09-11 一种基于神经网络的图片存储方法、介质及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010950871.5A CN112015932A (zh) 2020-09-11 2020-09-11 一种基于神经网络的图片存储方法、介质及装置

Publications (1)

Publication Number Publication Date
CN112015932A true CN112015932A (zh) 2020-12-01

Family

ID=73522553

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010950871.5A Pending CN112015932A (zh) 2020-09-11 2020-09-11 一种基于神经网络的图片存储方法、介质及装置

Country Status (1)

Country Link
CN (1) CN112015932A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112927136A (zh) * 2021-03-05 2021-06-08 江苏实达迪美数据处理有限公司 一种基于卷积神经网络域适应的图像缩小方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108009520A (zh) * 2017-12-21 2018-05-08 东南大学 一种基于卷积变分自编码器神经网络的手指静脉识别方法及系统
CN109191402A (zh) * 2018-09-03 2019-01-11 武汉大学 基于对抗生成神经网络的图像修复方法和系统
CN109360171A (zh) * 2018-10-26 2019-02-19 北京理工大学 一种基于神经网络的视频图像实时去模糊方法
CN109447240A (zh) * 2018-09-28 2019-03-08 深兰科技（上海）有限公司 一种模型训练方法、计算机可读存储介质及计算设备
CN109543745A (zh) * 2018-11-20 2019-03-29 江南大学 基于条件对抗自编码网络的特征学习方法及图像识别方法
CN109874018A (zh) * 2018-12-29 2019-06-11 深兰科技（上海）有限公司 基于神经网络的图像编码方法、系统、终端及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108009520A (zh) * 2017-12-21 2018-05-08 东南大学 一种基于卷积变分自编码器神经网络的手指静脉识别方法及系统
CN109191402A (zh) * 2018-09-03 2019-01-11 武汉大学 基于对抗生成神经网络的图像修复方法和系统
CN109447240A (zh) * 2018-09-28 2019-03-08 深兰科技（上海）有限公司 一种模型训练方法、计算机可读存储介质及计算设备
CN109360171A (zh) * 2018-10-26 2019-02-19 北京理工大学 一种基于神经网络的视频图像实时去模糊方法
CN109543745A (zh) * 2018-11-20 2019-03-29 江南大学 基于条件对抗自编码网络的特征学习方法及图像识别方法
CN109874018A (zh) * 2018-12-29 2019-06-11 深兰科技（上海）有限公司 基于神经网络的图像编码方法、系统、终端及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
夏劲松: "基于度量学习的少样本图像分类的研究与应用", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 2020, pages 2 *
杨火祥;柳伟;孟凡阳;梁永生;: "基于子像素全卷积的自编码网络结构优化", 深圳信息职业技术学院学报, no. 02, pages 78 - 83 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112927136A (zh) * 2021-03-05 2021-06-08 江苏实达迪美数据处理有限公司 一种基于卷积神经网络域适应的图像缩小方法及系统

Similar Documents

Publication Publication Date Title
CN108510456B (zh) 基于感知损失的深度卷积神经网络的草图简化方法
JP2968582B2 (ja) デジタルデータを処理するための方法および装置
CN106709872B (zh) 一种快速图像超分辨率重构方法
CN113934890B (zh) 一种文字自动生成场景视频的方法及系统
CN110717868A (zh) 视频高动态范围反色调映射模型构建、映射方法及装置
CN116416342B (zh) 图像处理方法、装置、计算机设备和计算机可读存储介质
CN113724136A (zh) 一种视频修复方法、设备及介质
Salmona et al. Deoldify: A review and implementation of an automatic colorization method
CN112118449B (zh) 一种图像压缩与解压缩的方法及装置
Sadeeq et al. Image compression using neural networks: a review
CN115359370A (zh) 一种遥感图像云检测方法、装置、计算机装置及存储介质
Liu et al. Residual-guided multiscale fusion network for bit-depth enhancement
CN112015932A (zh) 一种基于神经网络的图片存储方法、介质及装置
CN107995488B (zh) 一种基于直线扩展收缩模式的图像缩放方法
Zhang et al. Multi-scale-based joint super-resolution and inverse tone-mapping with data synthesis for UHD HDR video
Du et al. Perceptual compressive sensing
CN113822803A (zh) 图像超分处理方法、装置、设备及计算机可读存储介质
CN113469906A (zh) 一种用于图像修复的跨层全局和局部感知网络的方法
CN111753714A (zh) 基于字符分割的多方向自然场景文本检测方法
CN116703725A (zh) 感知多重特征的双分支网络实现针对真实世界文本图像的超分辨率的方法
CN116523985A (zh) 一种结构和纹理特征引导的双编码器图像修复方法
CN107221019B (zh) 图表转换方法及装置
Hamis et al. Image compression at very low bitrate based on deep learned super-resolution
CN114943204A (zh) 一种基于生成对抗网络的中文字体合成的方法
CN114627293A (zh) 基于多任务学习的人像抠图方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20220412

Address after: 250000 13th floor, Hanyu Golden Valley artificial intelligence building, Jingshi Road, Jinan area, China (Shandong) pilot Free Trade Zone, Jinan City, Shandong Province

Applicant after: Shenlan Artificial Intelligence Application Research Institute (Shandong) Co.,Ltd.

Address before: Unit 1001, 369 Weining Road, Changning District, Shanghai, 200336 (9th floor of actual floor)

Applicant before: DEEPBLUE TECHNOLOGY (SHANGHAI) Co.,Ltd.