买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉东北大学申请的专利一种基于语义引导与任务奖惩相结合的局部特征学习方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119445331B 。

龙图腾网通过国家知识产权局官网在2025-10-31发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411529579.0，技术领域涉及：G06V10/82；该发明授权一种基于语义引导与任务奖惩相结合的局部特征学习方法是由张云洲;王丽;葛发蔚;张金鹏;王一帆设计研发完成，并于2024-10-30向国家知识产权局提交的专利申请。

本一种基于语义引导与任务奖惩相结合的局部特征学习方法在说明书摘要公布了：本发明属于计算机视觉技术领域，公开一种基于语义引导与任务奖惩相结合的局部特征学习方法。局部特征提取网络获取原始图像特征检测热图和特征描述符；原始图像通过预训练语义分割网络生成语义特征类；语义特征类与特征检测热图和特征描述符结合，输出结果用于获取特征点检测分布以及获取特征点的语义特征描述符；原始图像和目标图像语义特征描述符的匹配结果，作为特征点是否正确的训练依据；训练方法为强化学习，在强化学习训练过程中，使用梯度更新公式优化局部特征提取网络。本发明考虑语义信息影响，通过语义信息约束局部特征提取网络学习有效局部特征。利用强化学习训练，对特征点进行奖励或惩罚，使网络更具区分性和鲁棒性。

本发明授权一种基于语义引导与任务奖惩相结合的局部特征学习方法在权利要求书中公布了：1.一种基于语义引导与任务奖惩相结合的局部特征学习方法，其特征在于，通过局部特征提取网络获取原始图像的特征检测热图和特征描述符；原始图像通过预训练的语义分割网络，生成语义特征类；语义分割网络获得的语义特征类与局部特征提取网络输出的特征检测热图和特征描述符相结合，输出的结果分别用于获取特征点检测分布以及获取特征点的语义特征描述符；原始图像的语义特征描述符和目标图像的语义特征描述符的匹配结果，作为特征点是否正确的训练依据；所述训练的方法为强化学习，在强化学习训练过程中，使用一个梯度更新公式来优化局部特征提取网络特征点的检测和描述；所述梯度更新公式为： ； 其中，；表示梯度，r表示每个特征点的奖励值，E表示期望；和分别表示原始图像的特征点检测分布和目标图像的特征点检测分布；为特征匹配分布； 为奖励函数；当两个图像的特征点有深度信息，并且在各自的重投影的像素范围内，认为匹配有效，并奖励匹配的特征点，在这种情况下奖励函数被定义为1；两个特征点之间没有深度信息，计算该特征点到另一个特征点的外极距，距离小于2，特征点则匹配合理，设置此时奖励函数被定义为0.25；如果以上两个条件都不满足，则两个特征点不匹配，此时奖励函数被定义为-0.001；所述特征点检测分布具体为：通过引入语义特征类来对检测到的特征点分类；针对室外场景的视觉任务，将建筑物这种固定不变的物体定义为长期有效特征，将该类特征点的值设为4，将行人定义为无效特征，特征点的值设为1，将草，山这种定义为短期有效特征，特征点的值设为2，其他训练集中涉及到一些室内场景的物体，但对于测试无关紧要的特征，特征点的值设为3；由此，构建语义可靠性特征图： 1； 其中，表示将特征点进行语义分类后的最终结果；当时，该特征是无效的，此时；当或时，；当时，此时；将特征检测热图进行操作并与相乘，得到最终的特征点检测分布，表达式表示如下： 2； 所述特征匹配分布具体为；根据语义可靠性特征图，特征描述符同样被分为四类，表示为，称之为语义特征描述符；在进行匹配运算时，首先判断语义特征描述符是否属于同一类别，当语义特征描述符属于同一类，进行匹配，否则不予匹配；其中匹配概率分布计算公式如下： 3； 其中，表示原始图像A与目标图像B的匹配的结果，c表示类别，和分别表示原始图像特征点的语义特征描述符和目标图像特征点的语义特征描述符。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人东北大学，其通讯地址为：110819 辽宁省沈阳市和平区文化路三巷11号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。