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！

龙图腾网获悉南京邮电大学申请的专利一种基于模块迁移的无监督目标跟踪方法和系统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：CN115375732B 。

龙图腾网通过国家知识产权局官网在2025-09-09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：202210992655.6，技术领域涉及：G06T7/246；该发明授权一种基于模块迁移的无监督目标跟踪方法和系统是由谭元咏;康彬;陈高伟;苏诺宇;颜俊设计研发完成，并于2022-08-18向国家知识产权局提交的专利申请。

本一种基于模块迁移的无监督目标跟踪方法和系统在说明书摘要公布了：本发明提供了一种基于模块迁移的无监督目标跟踪方法及系统。该方法包括在网络第一个卷积层与第二个卷积层之间添加在有监督网络中已经训练好的通道注意力层；在通道注意力层后添加元迁移学习网络层；以及进行回溯训练。本发明通过元迁移学习机制来在线更新被迁移通道注意力模块的参数，以此让无监督网络具专注被跟踪目标显著性区域。与传统异构无监督学习相比，本发明不仅涉及分类与回归这两种异构任务的迁移，而且涉及图像处理任务到视频处理任务间的跨越，实现一个图像域到多个视频帧域之间的域自适应。同时，本发明可在保证迁移性能的前提下降低迁移运算复杂度，有效提升无监督目标跟踪在复杂场景下的跟踪精度。

本发明授权一种基于模块迁移的无监督目标跟踪方法和系统在权利要求书中公布了：1.一种基于模块迁移的无监督目标跟踪方法，其特征在于：包括在网络第一个卷积层与第二个卷积层之间添加在有监督网络中已经训练好的通道注意力层；在通道注意力层后添加元迁移学习网络层；进行回溯训练； 添加通道注意力层的步骤包括：首先，将上一层卷积层输出的多通道特征图作为输入，分别经过自适应最大池化和自适应平均池化操作来聚合特征图的空间信息，生成两个不同的空间上下文描述符：和以分别表示最大合并特征和平均合并特征；之后，将这两个特征经过同一个共享网络，生成通道注意图Mc∈Rc×1×1；在共享网络应用于每个特征后，使用元素求和合并输出特征向量；其中，共享网络由包含两个卷积层的多层感知器MLP组成，通道注意力的计算方法为公式1所示： 其中，McF为生成的通道注意图，σ为Sigmoid函数，MLP为多层感知器，AvgPool为平均池化函数，MaxPool为最大池化函数，W0∈Rcr×cW1∈Rc×cr为两个连续的卷积核大小为1x1的卷积层,唯一的ReLU激活函数是添加在W0之后；将生成的通道注意力图与输入的多通道特征图进行点乘，可以使得特定通道的特征图对应的权重得到提升，从而让网络能够提取到全面的目标特征； 将元迁移学习网络层添加在通道注意力层后面，通过在线训练缩放和平移参数来构建新的卷积层，在不改变特征图维度大小的情况下对预训练好的通道注意力层参数进行在线更新优化，以此达到通道注意力模块从分类模型到回归模型中的迁移学习； 所述回溯训练包括：输入第一帧图像，通过高斯函数生成随机的初始化目标边界框标签，首先前向跟踪以预测其在后续帧中的位置，直到第三帧图像预测出边界框后，反转视频序列并以第三帧预测出的边界框作为伪标签，进行反向跟踪，预测出第一帧图像上的目标边界框；通过计算第一帧图像上反向跟踪预测出的边界框与初始化的边界框之间的差异，构造网络的一致性损失，并通过大量的视频数据训练不断缩小此差异，从而训练出较好的网络模型参数； 训练阶段流程包括以下步骤： 步骤一：对现有的视频数据进行预处理，将每帧图像以目标为中心裁剪成125x125x3大小的图像； 步骤二：对图像数据做数据增强，包括图像翻转、平移、仿射变换等操作； 步骤三：将第一帧与第二帧图像输入孪生网络中，经过第一层卷积层生成123x123x32的多通道特征图，之后特征图进入预训练好的通道注意力层，将生成的维度为32x1的注意力权重与原来123x123x32的特征图相乘，从而提高通道所对应的特征图权重，经过注意力权重的覆盖后，特征图进入元迁移学习层，之后经过最后一层卷积层以及归一化网络层后输出121x121x32大小的特征图，最终特征图结合高斯模型函数生成的第一帧图像的初始化标签，通过判别相关滤波器生成对应的响应图；其中，第一帧为模板帧，第二帧为搜寻帧； 步骤四：将响应图中像素点的峰值位置视为预测的下一帧目标中心位置，并以此根据高斯模型函数处理生成第二帧图像的伪标签； 步骤五：将第二帧与第三帧图像以及步骤四生成的伪标签送入网络模型中，重复步骤三得到相应的响应图，并生成第三帧图像的伪标签；其中，第二帧为模板帧，第三帧为搜寻帧；以及， 步骤六：反转视频序列，以第三帧图像为模板帧，反向预测出第一帧图像上的伪标签，将此伪标签与第一帧的初始化标签做欧氏距离计算，以此构建网络的一致性损失，其计算公式如公式2所示： 其中，RT为预测的伪标签，YT为初始化的标签，将RT与YT上每个对应的像素点做平方差求和，得到一致性损失函数Lfb,最终网络模型通过对Lfb损失进行反向传播对网络参数进行迭代训练,得到高效的无监督目标跟踪模型。

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南京邮电大学，其通讯地址为：210023 江苏省南京市鼓楼区新模范马路66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”。