动图像编码装置及编码方法、动图像解码装置及解码方法

    公开(公告)号:CN118488206A

    公开(公告)日:2024-08-13

    申请号:CN202410720065.7

    申请日:2019-12-20

    摘要: 本发明涉及动图像编码装置及编码方法、动图像解码装置及解码方法。能够提供以低负载实现高效率的图像编码/解码处理的动图像编码以及解码。本发明是以编码块为单位进行仿射变换的动图像编码装置,包括:仿射继承合并候选导出部,导出仿射继承合并候选,仿射继承合并候选继承在空间上与编码对象块接近的块所具有的仿射模型;仿射构建合并候选导出部,根据在空间上或时间上与编码对象块接近的块所具有的多个运动信息导出仿射构建合并候选;以及仿射固定合并候选导出部,导出仿射控制点的运动信息被固定的仿射固定合并候选,仿射固定合并候选将各仿射控制点的运动矢量固定为(0,0)。

    学习装置和估计装置
    5.
    发明公开

    公开(公告)号:CN117751383A

    公开(公告)日:2024-03-22

    申请号:CN202280052465.4

    申请日:2022-07-29

    发明人: 竹原英树

    摘要: 学习装置包括:获取部,获取基于通过功能性近红外光谱法测量受试者的脑活动状态而得的测量结果的功能图像;以及对应数据生成部,生成将所获取的功能图像与脑活动信息对应起来的对应数据,所述脑活动信息是表示通过功能性近红外光谱法测量时的受试者的脑活动状态的信息,并且是基于与通过功能性近红外光谱法而得的测量结果不同的信息的信息。

    机器学习装置、机器学习方法以及机器学习程序

    公开(公告)号:CN116806341A

    公开(公告)日:2023-09-26

    申请号:CN202180074116.8

    申请日:2021-12-09

    摘要: 权重存储部(50)存储用于任务的特征检测的多个过滤器的权重。持续学习部(20)针对所输入的任务,持续学习多个过滤器的权重。过滤器控制部(40)在预定轮数的持续学习之后,将已学习任务的过滤器的权重与正在学习任务的过滤器的权重进行比较,并且提取权重相似度为预定阈值以上的重复过滤器作为任务之间的共享过滤器,将重复过滤器中的一个过滤器作为共享过滤器保留,并且对共享过滤器之外的过滤器的权重进行初始化。

    图像识别装置、图像识别方法以及物体识别模型

    公开(公告)号:CN116324876A

    公开(公告)日:2023-06-23

    申请号:CN202180070962.2

    申请日:2021-10-07

    IPC分类号: G06T7/00

    摘要: 物体识别部(20)使用物体识别模型来识别输入图像中的物体。识别精度判定部(40)判定输入图像中的物体的识别精度。已训练图像转换部(60),针对物体的识别精度小于规定阈值的输入图像,基于输入图像的特征量添加标签而转换为已训练图像。迁移学习部(80)使用已训练图像作为训练数据,对物体识别模型进行迁移学习从而更新物体识别模型。

    机器学习装置以及图像处理装置
    9.
    发明公开

    公开(公告)号:CN116057570A

    公开(公告)日:2023-05-02

    申请号:CN202180056024.7

    申请日:2021-02-01

    IPC分类号: G06T7/00

    摘要: 远红外线图像训练数据获取部(20)获取第一规定时间段的远红外线图像。可见光图像训练数据获取部(30)获取第二规定时间段的可见光图像。可见光图像生成模型学习部(40)将第一规定时间段的远红外线图像和第二规定时间段的可见光图像作为训练数据在对抗生成网络中进行机器学习,生成根据第一规定时间段的远红外线图像生成第二规定时间段的可见光图像的已学习的生成模型(60)。可见光图像生成模型学习部(40)还生成通过在对抗生成网络中进行机器学习来识别远红外线图像是否是在第一规定时间段拍摄到的远红外线图像的已学习的识别模型(70)。

    图像解码装置和方法、以及图像编码装置和方法

    公开(公告)号:CN112887720B

    公开(公告)日:2022-11-29

    申请号:CN202110325100.1

    申请日:2019-12-13

    发明人: 竹原英树

    摘要: 本发明提供了一种图像解码装置、图像解码方法以及图像解码程序。生成合并候选列表生成,从合并候选列表选择合并候选作为选择合并候选,从编码流对码串进行解码并导出校正矢量,在不对校正矢量进行缩放的情况下将校正矢量与选择合并候选的第一预测的运动矢量相加,在不对校正矢量缩放的情况下从选择合并候选的第二预测的运动矢量中减去校正矢量,并导出校正合并候选。