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！

龙图腾网获悉福州大学申请的专利一种基于域自适应性与纹理正则化的自监督姿态估计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：CN118941852B 。

龙图腾网通过国家知识产权局官网在2025-09-26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：202410976477.7，技术领域涉及：G06V10/764；该发明授权一种基于域自适应性与纹理正则化的自监督姿态估计方法是由柯逍;黄森敏设计研发完成，并于2024-07-20向国家知识产权局提交的专利申请。

本一种基于域自适应性与纹理正则化的自监督姿态估计方法在说明书摘要公布了：本发明提出一种基于域自适应性与纹理正则化的自监督姿态估计方法，包括以下步骤：步骤S1：在EfficientPose姿态估计器的基础上，在每个级联操作上采用通道增强模块为每个通道分配不同的权重，对每个特征通道进行自适应增强；步骤S2：采用图像级和实例级的多级域自适应模块学习域不变特征，使用H‑散度衡量不同分布样本差异；步骤S3：采用基于熵的对齐方法最小化源域与目标域之间的表示嵌入距离，捕捉视觉代表性特征；步骤S4：采用纹理正则化提高模型对姿态变化的敏感性，最终完成姿态估计识别。

本发明授权一种基于域自适应性与纹理正则化的自监督姿态估计方法在权利要求书中公布了：1.一种基于域自适应性与纹理正则化的自监督姿态估计方法，其特征在于，包括以下步骤： 步骤S1：在EfficientPose姿态估计器的基础上，在每个级联操作上采用通道增强模块为每个通道分配不同的权重，对每个特征通道进行自适应增强； 步骤S2：采用图像级和实例级的多级域自适应模块学习域不变特征，使用H-散度衡量不同分布样本差异； 步骤S3：采用基于熵的对齐方法最小化源域与目标域之间的表示嵌入距离，捕捉视觉代表性特征； 步骤S4：采用纹理正则化提高模型对姿态变化的敏感性，最终完成姿态估计识别； 步骤S2包括以下步骤： 步骤S21：使用域分类器进行域分类，域分类器U由四个卷积层和两个Relu激活函数的线性层组成； 步骤S22：使用H-散度衡量具有不同分布的两组样本之间的差异，定义两个域之间的距离，最小化网络域距离的特征向量；dUS,T表示域分类器U下两个域之间的距离，计算公式如下： 其中，errSuo、errTuo分别是分类器在源域和目标域样本上的预测误差，u表示域分类器U下的函数，o表示输入样本，uo表示输入样本在域分类器函数下的结果； 步骤S23：采用图像级和实例级的多级域自适应域学习域不变特征，通过最小化交叉熵损失来训练域分类器；图像级表示是特征提取器的特征图，图像级表示的损失Limg计算公式如下： Limg＝-∑i[Dilogpi+1-Dilog1-pi] 其中，Di表示第i个图像的图像级表示，pi表示第i个图像的域分类器预测结果； 实例级表示是感兴趣区域的特征向量，实例级表示的损失Lobj计算公式如下： Lobj＝-∑i,j[Dilogpi,j+1-Dilog1-pi,j] 其中，pi,j为第i个图像下的第j个感兴趣区域的域分类器预测结果； 步骤S24：使用梯度反向层最小化图像级和实例级的损失函数，让域分类器区分不同域特征，实现多级域自适应； 步骤S4具体包括以下步骤： 步骤S41：建立合成纹理的正则化方法，使用当前预测区域块Qpre的姿态估计结果Y，生成合成块Qsyn和合成掩码Msyn，对预测的掩码Mpre进行腐蚀操作，使用填充掩码Mpad进行边界填充，将真实图像的前景边界用合成颜色进行填充，实现对边界不一致的补偿；填充掩码的计算公式如下： Mpad＝Msyn1-Mpre 步骤S42：纹理正则化Efeat通过最小化由预训练的VGG19网络提取的深度特征的MSE误差实现，对齐预测补丁和合成补丁的边界特征，纹理正则化损失Lreg计算公式如下所示： Lreg＝EfeatQpre,MpreQgt+MpadQsyn+λeEfeatMpreQpre+1-MpreQgt,Qgt 其中，λe表示Efeat的权重参数，Qgt表示当前区域块的真值； 总的损失计算公式如下： Loss＝LEA+Lpose+λ·Lreg 其中，Lpose为EfficientPose姿态估计器损失函数，λ为正则化权重超参数。

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福州大学，其通讯地址为：350108 福建省福州市闽侯县福州大学城乌龙江北大道2号福州大学；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。