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！

龙图腾网获悉南京理工大学申请的专利对比学习结合掩码图像建模的自监督人脸表情识别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：CN116386104B 。

龙图腾网通过国家知识产权局官网在2025-11-25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：202310194562.3，技术领域涉及：G06V40/16；该发明授权对比学习结合掩码图像建模的自监督人脸表情识别方法是由朱纤纤;丁军娣设计研发完成，并于2023-03-03向国家知识产权局提交的专利申请。

本对比学习结合掩码图像建模的自监督人脸表情识别方法在说明书摘要公布了：本发明公开了一种对比学习结合掩码图像建模的自监督人脸表情识别方法，该方法为：构建对比学习结合掩码图像建模的自监督人脸表情识别模型；在模型上进行无监督的预训练；对预训练后的模型在带标签的验证集上进行线性探测评估和微调评估；采用微调评估后的模型，对输入的人脸图像进行表情识别；该方法通过一个无卷积的孪生网络学习人脸表情表征，利用对比损失和掩码图像建模损失对孪生网络进行预训练，从而同时理解高级视觉语义和图像内部结构，最大化学生网络和教师网络输出之间的一致性。本发明可以学习丰富的视觉信息，对于各种与面部表情无关的干扰具有鲁棒性，同时在人脸表情数据集的线性探测和微调评估上均取得了出色的效果。

本发明授权对比学习结合掩码图像建模的自监督人脸表情识别方法在权利要求书中公布了：1.一种对比学习结合掩码图像建模的自监督人脸表情识别方法，其特征在于，所述方法包括以下步骤： 步骤1，构建对比学习结合掩码图像建模的自监督人脸表情识别模型； 步骤2，在自监督人脸表情识别模型上进行无监督的预训练； 步骤3，对预训练后的自监督人脸表情识别模型在带标签的验证集上进行线性探测评估和微调评估； 步骤4，采用微调评估后的自监督人脸表情识别模型，对输入的人脸图像进行表情识别； 步骤1所述构建对比学习结合掩码图像建模的自监督人脸表情识别模型，具体包括： 步骤1-1，计算输入图像的方向梯度直方图HOG特征； 步骤1-2，对输入图像进行处理，给定输入图像，首先分成个图像块patches：，其中C是通道的数量，为3个通道RGB；H,W是输入图像的分辨率，即224,224；P,P是每个图像块的分辨率，大小为16,16，N为196； 步骤1-3，将输入图像进行随机变换，产生两个相关增强视图表示为和，作为正样本对，分别送入学生网络和教师网络； 步骤1-4，通过线性投影，二维图像的两个增强视图和被展平为图像块，分别表示为和，均看作一个长度为N的图像块视觉词tokens序列； 步骤1-5，对于图像视觉词序列，掩码图像建模首先根据掩码预测比例生成随机掩码，其中视觉词个数为N；然后用掩码视觉词[M]替换图像块视觉词，生成一个经过掩码的图像： ； 其中，为1时表示被掩码，即被掩码视觉词[M]替换；为0时则表示未掩码；掩码图像建模旨在从经过掩码的图像中恢复被掩码的视觉词； 步骤1-6，使用视觉TransformerViT-S16的编码器作为自监督人脸表情识别模型的主干网络，16表示图像块大小为16，编码器Encoder层数为12； 步骤1-7，增强视图和通过一个线性层转换为一组嵌入序列，在序列中添加一个额外的可学习的视觉词token；该视觉词为类别视觉词[CLS]，其作用是聚合整个序列的信息，不附加任何标签或监督；视图经过掩码后，图像块视觉词和类别视觉词[CLS]的集合被送入到学生网络的Transformer编码器；视图未经掩码，图像块视觉词和类别视觉词[CLS]直接送入教师网络的编码器； 步骤1-8，自监督人脸表情识别模型的投影头由一个3层的多层感知机MLP，一个归一化层和一个权重归一化的K维的全连接层组成； 步骤1-9，自监督人脸表情识别模型的网络由主干网络和投影头组成，学生网络和教师网络共享相同的架构g，且具有不同的参数集和；使用大小为224×224的图像对Transformer进行预训练和微调，图像块视觉词的总数N为196，共享投影头的输出维度设置为108，最终输出的向量维度K为21168。

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理工大学，其通讯地址为：210094 江苏省南京市玄武区孝陵卫200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。