基于深度学习框架的移动设备显示省电研究

发布时间：2020-12-05 00:04

　　当今社会,手机、平板电脑等智能移动设备已被广泛使用。显示器作为智能移动设备中人机交互不可或缺的界面,主要分为非自发光显示器和自发光显示器。有机发光二极管（Organic Light-Emitting,OLED）作为一种新兴的自发光显示器技术,不同于传统的非自发光显示器,每一个像素都可以提供光源,可以单独调节,易于有效控制电池消耗。因此,目前应用OLED自发光显示器的功率约束图像增强算法是一个研究热点。现有的功率约束图像增强算法有2个明显的不足之处。第一,现有的方法都是直接将整张图片进行调整,影响视觉感受。第二,省电的程度较小。因此,如何达到既不影响视觉效果,又可以使智能移动设备耗电量有效降低,是本文研究解决的问题。基于视觉心理学,显示器内容中的图像信息亮度的降低对人类视觉感受的影响比较大,而文本和空白等信息亮度的降低对视觉感受的影响相对较小。本文将移动设备显示器内容分成图像区域和非图像区域。目前最先进、使用最广泛的图像语义分割方法是全卷积网络（Fully Convolutional Networks,FCN）,FCN进行图像区域和非图像区域的语义分割操作,出现了预测图片大面积错误和边缘... 

【文章来源】：河南大学河南省

【文章页数】：59 页

【学位级别】：硕士

【部分图文】：

显示图像的图像区域与非图像区域的比较

对于每一个像素都进行了预测，保留了原始空间信息。分出的类别可以在输出图上直观的显示出来。简单的来说，FCN 就是把 CNN 的全连接层换成卷积层。从理论上说，FCN 可以把任意网络中的全连接层变为卷积层。但是，根据 FCN 的者 Jonathan Long 在[30]对 AlexNet、VGG16 和 GoogLeNet 网络进行全卷积网络操作，终得出 VGG16 的分割结果最好。如图 2-1，FCN 网络可以将粗略的高层信息和精细的底层信息结合。池化和预测层表现出相对空间粒度的网络显示，同时以中间过渡作为铅垂线。第一行（FCN-32s），一的网络流，在一个单一的步骤中上采样步长为 32 倍的方法进行预测。第二行FCN-16s），结合最后一层和 pool4（池化层第 4 层）的预测，步长为 16，在保留更的高层信息的同时，预测出更多的细节。第三行（FCN-8s），在 FCN-16s 的基础上上 pool3（池化层第 3 层）的信息，步长为 8，精度进一步提高，经实验[30]得，FCN-8s实验结果更好。

图 3-1 基于上下文正则化的循环深度学习框架3.1.1 VGG19-FCN 网络本章利用从第 1 层到第 6 层的卷积和池化操作，第 7 层的反卷积操作，作为此操作的分段过程。在卷积运算中，每个层的输出是一个称为特征映射的 n 维数组。由于硬件的限制，输入图片基于手机的屏幕大小进行等比例缩小。具体的层数如表 3-1 所示的卷积操作和表 3-2 所示的反卷积操作。


本文编号：2898486