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！

龙图腾网获悉合肥工业大学申请的专利一种基于混合域注意力机制的面部关键点检测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：CN115223228B 。

龙图腾网通过国家知识产权局官网在2026-01-09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：202210923784.X，技术领域涉及：G06V40/16；该发明授权一种基于混合域注意力机制的面部关键点检测方法是由陈子尧;闵海;张业茂;束凯;陈涵设计研发完成，并于2022-08-02向国家知识产权局提交的专利申请。

本一种基于混合域注意力机制的面部关键点检测方法在说明书摘要公布了：本发明涉及人脸关键点检测技术领域，且公开了一种基于混合域注意力机制的面部关键点检测方法，包括综合了通道和空间两个维度来提取图像特征的注意力机制，在通道注意力机制中关注的是感兴趣的部分是什么，而在空间注意力机制中关注的是感兴趣的区域在图像中的位置；先将通道注意力机制特征图和原图像进行融合，再将其和空间特征图融合得到输出结果。本发明设计了一个由长短跳跃连接和卷积自编码器构成的通道注意力机制，有效地提高了提取图像通道特征的能力；提出了一个提取图像空间注意力特征的方法，通过提取通道注意力机制中压缩激励的每一层特征图的空间信息并进行融合，实现了不同通道特征层次下的空间特征的提取与融合。

本发明授权一种基于混合域注意力机制的面部关键点检测方法在权利要求书中公布了：1.一种基于混合域注意力机制的面部关键点检测方法，其特征在于：包括综合了通道和空间两个维度来提取图像特征的注意力机制，在通道注意力机制中关注的是感兴趣的部分是什么，而在空间注意力机制中关注的是感兴趣的区域在图像中的位置； 先将通道注意力机制特征图和原图像进行融合，再将其和空间特征图融合得到输出结果，因此注意力机制可以通过下式表示： 其中，F表示原图像，FC表示通道特征图，FS表示空间特征图，表示矩阵上对应元素之间相乘； 通道注意力机制：设计一个主要由拥有一系列跳跃连接的卷积自编码器组成的结构作为网络的主干；对于一个[B×C×H×W]的图像，首先对其进行一次池化操作，得到对空间降维后的[B×C×1×1]图像，其中B指的是图像的批尺寸，C指的是图像的通道数，H和W分别指的是图像的高度和宽度；在池化层中分别使用最大池化和平均池化对图像进行处理的方法，并共享后续的网络结构，最后将二者相加进行特征融合，即： FC＝ConvAutoEncoderMaxPoolF+ConvAutoEncoderAvgPoolF 其中，FC表示最终的通道特征图，MaxPool和AvgPool分别表示最大池化和平均池化，ConvAutoEncoder表示卷积自编码器； 接着将图像输入一个由卷积自编码器构成的压缩激励，共8层的编码器和解码器分别用于图像通道特征的压缩和激励，实现了图像的通道特征的提取； 在通道注意力机制中使用了两种跳跃连接，为了便于区分二者，将编码器和解码器之间的连接成为“长跳跃连接”，将编码器和解码器内部的连接成为“短跳跃连接”；将池化处理后的图像作为低级特征图，通过长跳跃连接和解码器输出的高级特征图进行通道维度的拼接，在经过一次卷积层拼接后2C通道降低为原图像的C通道，得到压缩激励最终输出图像[B×C×1×1]，实现了通道维度上低级特征和高级特征的融合，为了避免网络由于较深而产生“退化”的问题，在自编码器中设计了一种短跳跃连接，在短跳跃连接中，将编码器或解码器内部不同阶段的两个特征图进行通道维度上的拼接和卷积，这种短跳跃连接实现了不同维度、不同特征层次的特征图在通道维度上的特征的分布融合；长短跳跃连接可通过下式表示： 其中CatC表示将图像按照通道压缩； 空间注意力机制：与通道注意力中压缩图像的高和宽、只保留图像通道信息不同的是，在空间注意力中我们压缩的是图像的通道而保留图像高和宽的空间特征；对于一张[B×C×H×W]的图像，使用池化操作将其通道压缩为1，即将其降维为[B×1×H×W]，得到空间注意力的特征图； 在空间注意力机制中，首先对原图像进行池化操作来提取其低级空间特征，其次对通道注意力机制压缩激励中的每一个卷积层的输出结果进行反池化操作，设压缩激励中的图像为[Bi×Ci×1×1]，将不同阶段特征图1×1的空间特征升维为Hi×Wi，而将通道维度降低为1，即将图像变为[Bi×1×Hi×Wi]；通过这种方式得到了不同通道特征下图像的空间特征；通过对压缩激励中每一层通道特征的提取结果进行空间维度上的变换，实现了图像在空间特征和通道特征之间的交互，最后将每个空间特征图在通道维度上拼接后输入卷积层将图像的通道压缩为1来实现融合，作为最终的空间注意力特征图，这一过程可以用下式表示： FS＝σConvCatCF1,...,Fk； 面部关键点检测模型设计：将上述的注意力机制嵌入到关键点检测模型中，在通道注意力提取特征的同时，空间注意力也在进行特征的提取，因此在网络中通道注意力机制和空间注意力机制是并行的，将它们综合在一起作为一个注意力模块；选择ResNet18作为关键点检测模型的主干网络，ResNet18中有8个残差块，将注意力机制模块放到8个残差块的前面和后面，用于分别对输入和输出残差块的图像进行处理； 使用预先构建的人脸68个关键点检测数据集x1,y1,x2,y2,...,x68,y68，对模型进行训练，直到达到最大迭代次数或者损失函数收敛为止，得到训练模型，其中x和y分别是图像中每个关键点的相对坐标；使用该模型可以预测得到一张图像中人脸上68个关键点的相对坐标，进而实现对人脸关键点检测。

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合肥工业大学，其通讯地址为：230002 安徽省合肥市屯溪路193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。