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！

龙图腾网获悉西安工业大学申请的专利一种基于RPCA的深度网络视频显著性检测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：CN120526123B 。

龙图腾网通过国家知识产权局官网在2025-12-02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：202510986254.3，技术领域涉及：G06V10/25；该发明授权一种基于RPCA的深度网络视频显著性检测方法是由肖锋;袁薛程;齐珂;黄姝娟;铁小辉;亓开元;王正;苏广峰设计研发完成，并于2025-07-17向国家知识产权局提交的专利申请。

本一种基于RPCA的深度网络视频显著性检测方法在说明书摘要公布了：本发明公开了一种基于RPCA的深度网络视频显著性检测方法，旨在解决传统RPCA方法中奇异值分解SVD计算复杂度高、参数选择繁琐的问题。通过引入矩阵分解形式的Schatten‑p范数约束，避免了SVD计算瓶颈；设计具有可学习参数集的分段线性阈值函数，实现稀疏正则化项的自适应学习；构建端到端的深度网络框架，以数据驱动的方式优化所有参数。实验结果表明，本发明在视频显著性检测任务中表现出更高的检测精度和效率，具有广泛的应用前景。

本发明授权一种基于RPCA的深度网络视频显著性检测方法在权利要求书中公布了：1.一种基于RPCA的深度网络视频显著性检测方法，其特征在于，包括以下步骤： S1：将传统鲁棒主成分分析模型转化为具有矩阵分解形式Schatten-p范数约束的RPCA模型； S2：设计具有可学习参数集的分段线性阈值函数，通过近端计算确定正则化项与参数化激活函数之间的关系，实现稀疏正则化项的学习； S3：引入反向传播神经网络，构建端到端的深度网络框架，以数据驱动的方式学习算法中的所有参数； 所述矩阵分解形式Schatten-p范数约束的RPCA模型包括： 给定数据矩阵，满足设定条件下，建立矩阵分解形式的Schatten-p范数； 将Schatten-p范数约束的RPCA模型转化为无约束优化问题，分别更新低秩矩阵、稀疏矩阵和拉格朗日乘子； 定义1：矩阵的Schatten-p范数定义如下 ； 其中，，是矩阵的第个奇异值，当时，则为核范数，当时，则为Frobenius范数，根据Schatten-p范数的理论，其本质是范数和Frobenius范数的混合范数； 定义2：给定数据矩阵，满足的条件下，，，数据矩阵的秩满足的条件，矩阵分解形式的Schatten-p范数如下： ； 其中，，，，为Frobenius范数； 根据定义2，由Schatten-p范数约束的RPCA模型变为： ； 然后，将上述模型转化成无约束优化问题，且当时： ； 其中是拉格朗日乘子； 为了便于后续的导数表示，令： ； 那么在，和上的梯度分别为： ； ； ； 通过近端交替线性极小化算法求解上述无约束优化问题，并利用神经网络建立深度可学习模型，以下为算法中变量更新的详细推导过程： 更新U：首先，固定和，并寻求最小化函数；考虑以下优化问题： ； 其中，由于正则项无法求解梯度，因此需要将其线性化，表示公式如下，那么函数是可微的，其梯度是Lipschitz连续的； ； 求解上式优化问题的近端梯度法的迭代规则如下： ； 更新V：固定和，可以通过求解以下问题得到： ； 得到闭式解： ； 解出的迭代规则如下： ； 更新S：为了更新，先固定和，得到以下问题： ； 同理，由于正则项无法求解梯度，因此需要将线性化，表示公式如下所示： ； 求解上式的近端梯度法的迭代规则如下： ； 最后通过对拉格朗日乘子进行更新； 所述RPCA模型的训练方法为：先求出损失函数值，通过反向传播和损失函数得到训练后的参数值； 所述Schatten-p范数约束的RPCA模型转化为无约束优化问题求解采用近端交替线性极小化算法，具体包括： 更新低秩矩阵：固定稀疏矩阵和拉格朗日乘子，求解优化问题，得到近端梯度法的迭代规则； 更新稀疏矩阵：固定低秩矩阵和拉格日乘子，求解优化问题，得到闭式解的迭代规则； 更新拉格朗日乘子：固定低秩矩阵和稀疏矩阵，求解优化问题，得到近端梯度法的迭代规则。

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西安工业大学，其通讯地址为：710032 陕西省西安市金花北路4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。