摘要：针对电润湿显示器在播放视频时功耗较大的问题,设计了一套基于人眼视觉特性的低功耗视频显示驱动系统。该系统采用直方图修正与直方图匹配的方法,结合人眼视觉特性设定阈值,减少显示图像中高亮像素的数量从而降低系统功耗;同时提出一种低功耗多灰度驱动波形,结合电润湿显示器的光电特性,在实现灰度精准调制的同时进一步降低系统的功耗。实验结果表明:该系统改善了油墨分裂、油墨回流等问题,成功驱动了1024×768分辨率的电润湿显示器且视频显示效果良好,像素的最高灰度等级达到16阶,在测量同一段视频时,平均功率降低至1.75 W,功耗减少约20%.

摘要：针对微发光二极管(Micro-LED)显示屏存在的转移和键合难题,提出一种可实现高密度Micro-LED显示屏的非转移、非键合技术设计方法,该方法直接在蓝宝石上集成显示阵列、金属布线以及驱动器。此外,还设计了一套可以实现图像数据采集、图像数据处理、图像显示以及显示屏散热的驱动系统。最后成功制备了分辨率为128×128的Micro-LED微显示器,并实现了16阶灰度图像的动态显示。实验结果表明,所提方法简易可行,所设计驱动系统可支持显示屏的驱动显示,并具有良好的散热解决能力。

摘要：人脸关键点的精确检测对于人脸姿态矫正、表情识别、疲劳监测等任务具有重要意义。针对当前人脸关键点检测算法对于网络的设计越来越复杂、对计算资源的需求越来越大,网络整体速度变慢,不利于移动端部署的问题,提出了一种基于多尺度关键点热度图融合的人脸关键点检测网络。通过特征图与关键点热度图的融合使网络更多地关注关键点及其周边像素的信息,同时引入了多尺度的关键点热度图融合不断加强网络对于关键点相关信息的学习能力,使用较浅的网络结构就可实现好的检测效果。实验表明该网络在WFLW数据集上取得的检测精度和速度均达到较好的效果。

摘要：针对目前多人图像三维人体重建姿态失准、模型精确度低的问题,提出一种基于单张多人图像的三维人体重建算法,算法首先对图片进行特征提取生成多个人体框架得到人体区域图,接着对所得到人体图像的体型姿态参数进行进一步提取,将得到的人体参数与SMPL模型相结合后生成三维人体模型,再将三维投影至二维与图像的二维关节点进行比对利用卷积神经网络回归,最后利用生成对抗网络对模型进行判别与损失回归得到合适的生成器模型,完成整体设计。设计使用Human3.6M与MPII数据集进行测试,与cmr、smplify等算法进行对比实验,能够更准确地恢复三维人体模型,在提高了模型重建精确度的同时,模型的重建速度也得到提升。

摘要：针对电润湿显示器像素内流体运动机理及相应电光响应特性,提出一种数值模拟计算方法来计算电润湿中流体间的界面变化及流体-液体-固体三相接触线在外部电场影响下的运动。该方法基于Matlab数值分析框架,通过Young-Laplace方程计算界面形状变化及变化过程中三相接触角、界面接触面积等参数的变化,并结合总体能量守恒方程求解像素的电光响应过程。实验结果表明,该模型成功模拟电润湿显示器像素内电流体动力特性,像素响应时间与油-水界面张力大小成正比。模拟结果与相同参考几何的实验数据具有良好的定性一致性,可用来指导电润湿器件中流体参数的设计,对实现高稳定的电润湿显示器具有重要意义。

摘要：针对卷积神经网络(CNN)在通用CPU以及GPU平台上推断速度慢、功耗大的问题,采用FPGA平台设计了并行化的卷积神经网络推断系统。通过运算资源重用、并行处理数据和流水线设计,并利用全连接层的稀疏性设计稀疏矩阵乘法器,大大提高运算速度,减少资源的使用。系统测试使用ORL人脸数据库,实验结果表明,在100 MHz工作频率下,模型推断性能分别是CPU的10.24倍,是GPU的3.08倍,是基准版本的1.56倍,而功率还不到2 W。最终在模型压缩了4倍的情况下,系统识别准确率为95%。

摘要：为了实现电润湿电子纸显示器实时播放视频,本文设计了DVI视频图像编解码系统加上FPGA时序控制的显示驱动系统。DVI系统负责获取信号源并进行图像编解码,FPGA负责视频图像数据的缓存处理以及驱动波形的控制。本文提出的多灰度动态对称驱动波形,可改善油墨分裂现象,并且在增加灰度等级的同时抑制电荷捕获现象。实验表明:该系统成功改善了油墨分裂、电荷捕获等问题,成功驱动1024×768分辨率的电润湿显示器跟随PC端进行实时视频播放,视频的帧率达到60帧/秒,像素的最高灰度达到15阶,满足电润湿电子纸动态显示视频的要求。

摘要：为了获得更好的图像超分辨率重建质量,提高网络训练的稳定性,对生成对抗网络、损失函数进行研究。首先,介绍了SRGAN和DenseNet,并设计了基于DenseNet的生成网络用以生成图像,且将子像素卷积模块加入到DenseNet中。接着,移除了原本DenseNet中冗余的BN层,提高了模型的训练效率。最后,介绍了SRGAN的损失函数并基于Earth-Mover距离来重新设计损失函数,并且用SmoothL1损失取代MSE损失来计算VGG特征图,以防止MSE放大最大误差和最小误差间的差距。实验证明该模型在网络训练过程中能够达到稳定收敛的状态。重建出的图像质量对比SRGAN,在3个基准测试集SET5,SET14,BSD100上的平均PSNR要高约2.02 dB,SSIM高约0.042(5.6%)。重建出的图像不仅在指标上有所提升,且拥有更好的清晰度,高频细节更为丰富。

摘要：视频修复旨在填补视频中的缺失区域,由于很难精确保持修复内容的时空一致性,故视频修复仍具有挑战性。针对现有视频修复中存在的修复结果语义信息不连续,出现视频模糊和时间伪影,以及网络设计越来越复杂,网络整体速度变慢的问题,本文提出了一种基于残差网络的卷积注意力网络(RCAN)用以视频修复。通过将自注意力机制和全局注意力机制引入进残差网络,增强网络对所有输入帧的时空特征的学习能力,并采用时空对抗损失函数进行优化,提高视频修复的质量。同时网络还能够高度自由地定义层数和参数量,提高网络的实际应用能力。实验结果表明,该网络在DAVIS和YouTube-VOS数据集上取得了PSNR为30.68 dB,SSIM为0.961,FID为0.113的平均修复结果,基本符合实际场景对模型的修复质量要求,为视频修复提供了一种新思路。

摘要：针对目前医学图像普遍存在病理区域尺寸分布较分散、细节特征不明显以及同类组织影像间的视觉差异较大等问题,本文在CBMIR系统的基础上,提出了一种融合多尺度特征及注意力机制的医学图像检索方法。该方法通过融合多尺度特征并设置可学习权重系数来自适应平衡浅层图像纹理特征和深层图像语义特征的关系,提高网络对不同尺度上的病理特征提取能力。同时,引入注意力模块,对网络输出的特征图进行通道加权求和,提高关键特征通道的特征表达能力,使网络更能关注到图像中的具有辨识性的病理特征区域。最后,在损失函数设计时,使用多重损失进一步优化样本特征在特征空间的分布。最终在Mura数据集上的mAP@100、mAP@20两个指标上分别达到了0.95、0.98的检索精度,基本符合实际场景对模型的检索精度要求。