6篇关于视频的计算机毕业论文

今天分享的是关于视频的6篇计算机毕业论文范文, 如果你的论文涉及到视频等主题,本文能够帮助到你

基于Transformer的视频暗光增强系统设计与实现

这是一篇关于Transformer,视频,暗光增强的论文, 主要内容为在手机相机的实际使用中,受限于拍摄环境或技术限制,采集到的视频往往存在亮度值偏低、光照不均匀、色彩偏差等问题,这类问题通常被称为暗光问题。应用暗光增强算法可以改善暗光视频的亮度、信噪比和对比度等,以提升用户体验。本文在综合分析现有暗光增强技术的基础上,设计了一种基于Transformer的视频暗光增强算法,并开发了一款具备实时视频暗光增强功能的应用系统。本文主要贡献如下:(1)设计了一种基于Transformer的视频暗光增强算法。首先设计了一个视频暗光增强神经网络模型,该网络模型包含两个分支,分别是基于U-Net的细节恢复神经网络和基于Transformer的全局亮度调整神经网络。其次,本文提出了一种基于逆ISP方法的暗光数据集构建方法,并构建了一个包含两万对图像的人工合成的配对数据集;对比实验结果表明本文算法在PSNR、SSIM、模型大小、运算时间等多个指标上均具备明显优势,可以在保留和恢复图像细节的前提下很好地提升整体亮度。(2)设计并实现了一款具备实时视频暗光增强功能的应用系统。首先针对视频暗光增强需求进行了可行性、功能性需求和非功能性需求分析;其次,采用简洁明了的风格设计应用系统,并选用Swift语言在Xcode平台进行客户端的开发;测试结果表明该应用系统可以实时、离线、稳定地增强暗光视频,具备有效性和易用性。

基于微信的视频公开课学习系统的设计与实现

这是一篇关于微信,视频,公开课,设计的论文, 主要内容为随着互联网的发展,以及网络速度的提升,各类互联网视频应用开始兴起,网络视频公开课就是其中的一种。通过视频公开课,学习者可以随时随地对感兴趣的内容进行学习,从而得到自己想要的知识。目前学习者主要通过PC机进行视频公开课的学习,随着移动互联网的兴起,这种学习方式将会慢慢转移到手持终端上。微信作为手持终端最常用安装软件,目前用户数量已冲破6亿,并且每天有超出1亿的用户频繁使用。因此,研究如何利用微信进行视频公开课的推广和学习,将具有重要的实际意义并带来巨大的商业价值。本文主要以设计一个基于微信的公开课程学习系统为研究目标,通过对微信公众平台提供的API进行分析,建立起一个符合移动互联网应用的公开课程学习系统,使公开课讲授教师可以将课程分享到网络上,学习者可以通过微信获取最新课程信息,并在移动终端上进行相应课程的学习。学习之余,可以通过微信进行课程讨论,进行巩固和提高。本文中设计到的主要技术包括面向对象的UML统一建模语言、HTML5视频播放技术、微信公众平台的开发技术、SSH框架技术、Mysql数据库技术等。通过对这些技术的研究,作者深入了解这些技术的特点及使用方法,从而通过对这些技术的应用,设计并最终实现基于微信的视频公开课学习系统。本文实现的基于微信的视频公开课学习系统具有操作简单,反应迅速,易于维护的特点。公开课上传者在注册成功后,可以上传公开课视频,系统自动为其分配3名公开课审核者,这种方式可以降低系统管理成本,只需要花少量的代价即可达到对公开课进行审核的目标。系统建立后,通过对系统进行初步测试,可以完成预定的各项功能。

协同过滤在视频推荐中的应用及优化

这是一篇关于视频,协同过滤,隐反馈,偏好局部相似性,随机梯度下降,优化的论文, 主要内容为随着网络传输技术的快速发展以及移动设备的大量普及,视频流量呈现指数级增长。这种视频大数据给我们带来众多机遇,除了传统各类视频门户网站(如优酷、NetFlix),各类自媒体平台也大量涌现(如YouTube,用户同时作为内容消费者和提供者)。推荐系统作为连接视频和用户的桥梁已成为每个视频服务公司的核心竞争力所在。然而如何从视频大数据中挖掘出有效信息以提升个性化服务能力对推荐系统提出新的挑战。协同过滤作为一种与视频内容无关的个性化推荐技术近年来得到学术界和工业界广泛研究,其基本思想就是历史偏好相似的用户其未来偏好依然相似。同时,基于推荐方式的内容无关性,相比基于内容的推荐,其无需耗费人力、物力进行用户信息搜集、视频特征标记等工作。协同过滤推荐精度及求解复杂度作为评估推荐系统的两个性能指标一直为研究的热点。模型精度对于正确刻画用户偏好从而进行精准化的推荐至关重要,而求解复杂度决定了大数据量背景下推荐系统的可实施性及快速上线的能力。就协同过滤而言,其模型精度与复杂度通常是一对矛盾,如何在两者之间取得折中是其所要面临的技术难点。本文在分析现有协同过滤推荐相关工作基础之上,针对隐反馈场景下的视频协同过滤分别从推荐精度以及计算复杂度两个方面展开了相关研究。在提升推荐精度方面,通过对用户偏好随时间动态变化的特征分析,本文提出基于时间信息的视频协同过滤排序模型,从而改进了静态协同过滤模型无法动态刻画用户偏好的局限。在优化计算复杂度方面,本文通过对现有协同过滤排序模型优化目标及相应学习算法的分析,从理论上得出现有学习算法存在无效优化的原因:梯度“抵消”。针对问题形成原因,本文提出了通过改进学习算法的抽样方式以缓解梯度“抵消”造成的学习缓慢。本文的主要工作如下:1.通过分析用户偏好随时间变化的特征,即长期演变,局部稳定,本文提出基于偏好局部相似性稳定的动态协同过滤推荐模型。这一隐式刻画时间的方式不仅提高用户偏好预测精度而且有效控制了模型的计算复杂度。同时,为防止模型发生过拟合,本文提出将贝叶斯个性化排序模型集成到所提时间感知的协同过滤模型之中。基于此集成模型,本文提出两阶段学习的近似求解算法;2.通过分析基于贝叶斯个性化排序的协同过滤模型优化目标及相应的随机梯度下降学习方式,本文推导出此学习算法训练过程中发生梯度“抵消”原因的数学形式。基于此形式,本文提出基于用户分簇视频热门度采样算法以缓解梯度“抵消”引起的无效优化,从而提高了模型学习的效率。

基于Transformer的视频暗光增强系统设计与实现

异构数据结构化处理管控软件的开发

这是一篇关于视频,结构化,检索,微服务,优化的论文, 主要内容为随着互联网技术和物联网技术的飞速发展,海量的视频信息需要进行传输、存储和检索。但是庞大的视频信息数据和难以提取的视频特征,使得人们对于视频数据的利用率远远达不到所期望的效果。早期的视频处理方式仅对视频进行简单的分类储存,视频内容信息更是通过人工浏览,这造成了视频数据利用率低和人力资源消耗大的问题。近年来,随着深度学习的快速发展,使得图像处理技术有了飞速的提高,可以较为准确的对图像视频内容进行特征提取,目标追踪等。这种基于视频内容的视频结构化方法在特定的场景下效果明显,比如车牌识别、车辆违规检测等。对于多变的监控场景检索需求,上述基于视频内容的处理方式就需要重新设计相应的特征提取算法,重新设计结构化和检索程序。传感器种类多样,可以对场景信息进行比较全面的采集,将传感器信息和监控数据做结构化处理可以适应多变的监控环境,避免上述问题。本文提出了一种通过外部的多传感器信息将视频信息结构化的方法。根据不同的外部环境和业务需求安装不同的传感器,把这些传感器信息和采集到的视频信息进行组合,构建成结构化信息,用以检索和存储。本文讲述了结构化视频信息的构建原理,图片信息和视频信息的结构化方式以及检索方式。本文研发了一套基于结构化视频信息的管控软件,主要包含采集终端模块和管控平台模块以及分布式后端服务模块。本文的后端采用分布式TARS微服务架构来实现,设计了包括检索服务、数据库服务、鉴权服务和PUSH服务等,并且本文对服务间的编程模型进行了优化,使得服务间的运行效率和稳定性得到了很大的提升。