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！

龙图腾网获悉大连理工大学申请的专利一种基于图神经网络的事件相机运动分割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：CN115984563B 。

龙图腾网通过国家知识产权局官网在2026-01-16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：202310023140.X，技术领域涉及：G06V10/26；该发明授权一种基于图神经网络的事件相机运动分割方法是由杨鑫;王超毅;魏小鹏;于男男设计研发完成，并于2023-01-09向国家知识产权局提交的专利申请。

本一种基于图神经网络的事件相机运动分割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，具体为一种基于图神经网络的事件相机运动分割方法。针对基于事件相机数据的运动分割任务，首先制作一个基于事件相机的运动分割数据集，同时，基于该数据集，提出一种基于图神经网络的运动分割算法用以对运动目标进行准确分割。本发明可以充分发挥事件数据的稀疏性和高时间分辨率特征，并引入注意力机制有效地集成图结构和内容信息，以学习潜在特征。

本发明授权一种基于图神经网络的事件相机运动分割方法在权利要求书中公布了：1.一种基于图神经网络的事件相机运动分割方法，其特征在于，步骤如下： 1构建数据集 数据集中包括多种运动目标和运动场景；数据集借助Carla模拟器提供同步拍摄的事件数据和帧图像，以及同步的运动物体掩膜、深度数据及语义信息，还针对每个事件点提供了类别标签及运动参数信息；按照场景分类，数据集分为：低光照场景、伴随运动模糊的快速运动场景和没有运动模糊的快速运动场景；按照运动目标的数量以及相机静止与否，数据集共分为：单个目标运动且相机运动、多个目标运动且相机静止和多个目标运动且相机运动三个场景； 2图构建 事件数据ε用以下公式进行表达： 其中，xk,yk是事件的像素坐标，tk是事件的时间戳，pk＝±1是事件的极性，k表示事件数据中的第k个事件点； 此外，图节点的构建结合每个事件点的四参数运动模型参数将获得的事件图节点X表示如下： 其中，是事件点在水平方向和垂直方向的偏移量，是事件点的缩放量，是事件点的旋转量； 基于事件图节点构建一个事件图G＝{V,E}，其中表示节点的集合，表示图结构中边的集合，即图的邻接矩阵，eij表示一对节点Xi,Xj的边；对于每一对节点Xi,Xj，计算它们的欧氏距离，如果它们在时空距离R内，即DXi,Xi≤R，则生成对应的边，否则这两个节点之间不存在边；同时在构图过程中引入滑动窗口ΔT，异步逐事件点处理数据；欧氏距离表示如下： 其中，表示节点Xi的第k个特征；表示节点Xj的第k个特征； 3基于图神经网络的运动分割 构建好的图结构首先通过事件数据特征提取模块从携带运动信息的事件数据中提取高阶特征；为了更好的提取事件数据的有效信息，通过引入注意力机制关注节点的邻接节点来学习当前节点的潜在特征；当前图节点的潜在特征由注意力系数和可学习的线性变换参数计算得到；注意力系数衡量邻居节点对当前节点的重要性，同时考虑属性值和拓扑距离两个方面；从属性值的角度，注意力属性值系数由级联的当前节点和邻居节点经过单层前馈神经网络计算得到；从拓扑距离的角度，拓扑权重邻接矩阵通过计算图中的t阶邻域的邻居节点得到；对于注意力系数，先给注意力属性值系数添加拓扑权重矩阵和激活函数，再使用Softmax函数在当前节点的所有邻接节点之间进行归一化得到最终结果；最终节点的潜在特征由下述公式得到： M＝B+B2+…+Btt5 其中cij是注意力属性值系数，||指代级联操作，是权重向量，W和Wl是对节点特征的线性变换的参数，l是特征提取模块层数；M是拓扑权重邻接矩阵，B是转移矩阵，t是图的邻域阶数；如果eij∈E，则Bij＝1di，否则Bij＝0，di是节点i的度；如果Mij0，则节点j是节点i的邻居节点；αij为注意力系数，δ为LeakyReLU激活函数，Ni表示节点i的邻居节点；为节点j的第l层特征提取模块的输出特征，σ为Sigmoid函数；对于最初的节点输出特征表示为由此产生高阶特征； 其次将获得的高阶特征送入分类器模块，分类器模块中依次通过多层感知机MLP和Softmax函数，获得节点的运动分割结果。

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大连理工大学，其通讯地址为：116024 辽宁省大连市甘井子区凌工路２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。