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！

龙图腾网获悉杭州电子科技大学申请的专利一种微光RAW图像的端到端训练的特征提取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：CN117058400B 。

龙图腾网通过国家知识产权局官网在2025-10-14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：202311018632.6，技术领域涉及：G06V10/40；该发明授权一种微光RAW图像的端到端训练的特征提取方法是由颜成钢;曾龙健;金颖杰;吴旭;江涛;王帅;张继勇;李宗鹏;丁贵广;付莹;郭雨晨;赵思成;孙垚棋;朱尊杰;高宇涵;王鸿奎;赵治栋;殷海兵设计研发完成，并于2023-08-14向国家知识产权局提交的专利申请。

本一种微光RAW图像的端到端训练的特征提取方法在说明书摘要公布了：本发明公开了一种微光RAW图像端到端训练的特征提取方法。首先构建包含具有基本像素对像素对应关系的图像对的大规模数据集；然后构建基于L2‑Net网络的深度学习框架LowerFeat，确定损失函数；再通过构建的大规模数据集对LowerFeat进行训练；最后通过训练好的LowerFeat实现特征提取。本发明提出了LowerFeat框架，该框架以端到端的方式输出RAW格式图像的局部特征检测和描述，能可靠地提取足够的关键点，同时抑制具有不显著和噪声敏感特征的区域。

本发明授权一种微光RAW图像的端到端训练的特征提取方法在权利要求书中公布了：1.一种微光RAW图像端到端训练的特征提取方法，其特征在于，包括步骤如下： 步骤1：构建包含具有基本像素对像素对应关系的图像对的大规模数据集； 通过微光RAW图像生成流水线，从当前的大规模RGB图像匹配数据集中合成微光RAW图像对； 步骤2：构建基于L2-Net网络的深度学习框架LowerFeat； LowerFeat网络框架包括两个相同结构的分支，分别对应原始的RAW图像和进行步骤1的噪声模拟得到的带有噪声的图像，分支基于L2-Net改进；L2-Net网络是由两层3×3×32的卷积层、一层3×3×64的卷积层、一层3×3×128的卷积层、一层8×8×128的卷积层构成，而LowerFeat网络框架将8×8×128的卷积层更改为三层3×3×128的卷积层，输入的RAW图像维度为[H,W,4]，它通过第一、二层处理后的维度为[H,W,32]，然后经过下采样维度变为[H2,W2,64],再通过第三层处理和下采样操作后的维度为[H4,W4,128]，最后通过第四、五、六、七层处理得到维度为[H4,W4,128]；在网络的最后一层进行三个操作，第一个操作是将数据使用L2范数进行计算，得到维度为[H4,W4,128]的描述符，第二个操作是对图像中的数据进行逐元素平方，然后进行1×1的卷积，得到维度为[H4,W4,1]的噪声鲁棒性图，第三个操作是将网络的第二、三、七层利用双线性插值拼接为[H,W,1]得到检测得分图； 步骤3：确定损失函数； 根据步骤2提出的噪声鲁棒性图和描述符来配合训练模型收敛，具体实现如下：首先利 用平均精度实现全局度量，同时结合噪声鲁棒性图来识别和排除不可靠的图 像区域，最终AP损失函数如下式所示： 其中∈[0,1]是阈值超参数；当大于时，AP损失使网络倾向于将预测为 1，否则预测为0； 在训练过程中，输入正常图像对、经过步骤1得到，再经过步骤2得到对应的平均精度和噪声鲁棒性图、； 为了屏蔽即使在没有噪声的情况下也无法精确匹配的不可靠区域，使用 其中是AP期望超参数，设置为0.25； 为了识别在噪声影响下匹配精度显著下降的脆弱区域，使用添加噪声前后AP的差异作为监督： 其中是∆AP的期望超参数，设置为0.2；为噪声前后AP的差异； 最后的噪声鲁棒性损失函数是通过叠加上述公式2和4得到的： 其中0.5的比例因子； 根据正常图像对和噪声图像对计算得到的描述符损失函数： 其中，公式6中的是先验的密集位姿对集合，和分别是加入噪声匹配的位姿对的集 合和原始图片匹配的位姿对的集合，和是原始图片对关键点检测分数；公式7中的和是特征描述符，其中下标和是排序所需要的标号；M∙,∙是描述符的损 失排名,其中D∙,∙是欧几里得距离，、作为积极和消极影响分别为0.2和1.0； 步骤4：通过步骤1构建的大规模数据集对LowerFeat进行训练； 步骤5、通过训练好的LowerFeat实现特征提取； 将待处理的微光RAW图像对作为训练好的LowerFeat的输入，通过LowerFeat模型提取特征点实现特征提取。

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杭州电子科技大学，其通讯地址为：310018 浙江省杭州市下沙高教园区2号大街；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。