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！

龙图腾网获悉湖北工业大学申请的专利一种顾及几何先验信息注意力计算的图像特征匹配模型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：CN120147666B 。

龙图腾网通过国家知识产权局官网在2026-02-06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：202510194510.5，技术领域涉及：G06F18/22；该发明授权一种顾及几何先验信息注意力计算的图像特征匹配模型是由吴颖丹;李炎;明洋;徐久红;程喆晟;刘宇;张桐僮;倪序设计研发完成，并于2025-02-21向国家知识产权局提交的专利申请。

本一种顾及几何先验信息注意力计算的图像特征匹配模型在说明书摘要公布了：本发明属于计算机视觉与遥感图像处理领域，涉及一种顾及几何先验信息注意力计算的图像特征匹配模型的构建方法及模型，该方法包括1构建数据集；2采用几何先验信息注意力计算的方式构建图像特征匹配模型；3构造图像特征匹配模型的损失函数，利用构建的数据集数对图像特征匹配模型进行训练，得到图像特征匹配模型权重。本发明提供了一种在复杂几何变形和大视角变化场景下可逐步提升匹配的精度和鲁棒性以及可应对多样化的匹配场景的顾及几何先验信息注意力计算的图像特征匹配模型的构建方法及模型。

本发明授权一种顾及几何先验信息注意力计算的图像特征匹配模型在权利要求书中公布了：1.一种顾及几何先验信息注意力计算的图像特征匹配模型构建方法，其特征在于：所述顾及几何先验信息注意力计算的图像特征匹配模型的构建方法包括以下步骤： 1构建数据集； 2采用几何先验信息注意力计算的方式构建图像特征匹配模型，具体是： 2.1对步骤1得到的数据集中的图像进行局部图像特征提取，得到116尺度的粗略特征图、18尺度的中等粒度特征图以及12尺度的精细特征图作为局部图像特征提取的结果，并分别标记为、、、和、； 2.2对步骤2.1得到的结果进行粗略特征匹配，得到粗略特征匹配结果，具体是： 2.2.1对步骤2.1得到的结果进行转换，获取转换后的粗略特征；具体实现方式是： 首先，对得到的116尺度的粗略特征图进行位置编码： 将位置编码与116尺度的粗略特征图做向量加法运算，得到位置编码后的粗略特征；然后对位置编码后的粗略特征进行线性自注意力与交叉注意力计算，所述线性自注意力与交叉注意力的计算方式为： 其中： R是张量的数值类型； K是注意力机制中键特征矩阵； V是值特征矩阵； nq和dk分别表示和经过函数处理后的维度； T是对矩阵的转置； 为归一化因子； 为核函数将和转化为非负映射，具体定义为： 在计算注意力后，将计算得到的注意力同116尺度的粗略特征图进行按元素乘法运算得到转换粗略特征和；所述和分别是和的转换特征； 2.2.2采用双softmax方法对步骤2.2.1得到的转换粗略特征和进行粗略特征匹配，得到粗略特征匹配结果；具体实现方式是： 首先将转换粗略特征和特征图展平，得到特征向量feat0和feat1，并进一步做L2范数归一化处理，所述特征向量feat0和feat1的表达式是： 其中： feat0和feat1分别是116尺度的粗略转换特征图在展平后得到的特征向量； feat0对应展平后的特征向量； feat1对应展平后的特征向量； Normalize指L2范数归一化操作； 其次，根据归一化处理后的特征向量得到展平后的特征矩阵： 其中： R是张量的数值类型； N0、N1分别表示的是展平后的序列长度为H0×W0和H1×W1； 和分别表示粗略特征的高度和宽度； 和分别表示粗略特征的高度和宽度； C代表通道数，所述粗略特征和粗略特征的通道数相等； 特征矩阵和之间的相似度矩阵为： 其中： 表示第行对应特征与第行对应特征之间的相似度； T是对矩阵的转置； 对相似度矩阵分别在行和列方向上应用softmax归一化，其公式如下： 其中： 表示第行对应特征与第行对应特征之间的相似度； 用于控制softmax的平滑程度； 行方向上和列方向上的softmax分别为： 最终的双向归一化相似度为：，由此得到归一化相似度矩阵： 对归一化相似度矩阵应用阈值，只保留高于阈值的点对，剔除低置信度匹配点： 最后，对保留的点对应用互最近邻约束：如果特征点的最近邻是，且的最近邻也是，则认为是有效匹配，否则视为误匹配而删除，保证匹配结果唯一性；基于所得到的匹配结果，利用RANSAC算法稳健估算出待匹配图像间的仿射变换矩阵； 2.3对步骤2.2得到的粗略特征匹配结果进行中等粒度特征匹配，得到中等粒度特征匹配结果，具体是： 2.3.1利用步骤2.2.1得到的转换粗略特征，对中等粒度特征进行中等粒度特征转换，具体是：对转换粗略特征和进行上采样，并与中等粒度特征和融合，然后进行中等粒度特征转换； 所述中等粒度特征转换中的自注意力计算是使用线性注意力方法完成的；所述中等粒度特征转换时的自注意力计算的具体实现方式是： a.1窗口划分与仿射变换引导： 首先需要对查询特征图进行划分，将查询特征图分解为固定大小的查询窗口；每个固定大小的查询窗口由其四个顶点坐标表示，分别为左上角、右上角、右下角和左下角； 为获得仿射变换矩阵引导的键值窗口顶点坐标，在查询窗口的中心位置开一个键值窗口，将键值窗口的四个顶点坐标输入到仿射变换矩阵；仿射变换的公式如下： 其中： 表示查询窗口的顶点坐标； 和分别为仿射变换矩阵的线性部分和平移部分； 是每一个顶点的坐标，用于对键值窗口的锁定； 通过仿射变换，键值窗口的顶点坐标被映射到键值特征图的空间中，生成键值窗口的四个顶点； a.2键值窗口有效性检查： 在窗口变换完成后，需要验证键值窗口是否位于键值特征图的有效区域内；对于每个键值窗口，检查其顶点是否落在特征图的边界内，并统计有效顶点的数量；如果有效顶点数量满足一定比例，则视为该窗口有效；否则，将其剔除；同时，也会根据查询窗口的有效掩膜来共同筛选； a.3特征采样与注意力计算： 对于查询窗口，直接从查询特征矩阵中进行特征提取；对于每个有效的键值窗口，从键值特征图中使用双线性插值的方法进行特征采样；对于每个有效的键值窗口，提取的查询特征、键特征和值特征被重组为多头注意力的形式，按照标准注意力的方式计算注意力： 其中： ，，分别为查询、键、值矩阵； 为缩放因子；在计算得到自注意力和交叉注意力后，进一步处理得到转换中等粒度特征和； 2.3.2采用双softmax方法对步骤2.3.1得到的结果进行中等粒度特征匹配，得到中等粒度特征匹配结果；所述步骤2.3.2的具体实现方式与步骤2.2.2的具体实现方式完全相同； 2.4对步骤2.3得到的中等粒度特征匹配结果进行精细特征匹配，得到精细特征匹配结果； 2.5根据粗略特征匹配、中等粒度特征匹配以及精细特征匹配构造图像特征匹配模型； 3构造图像特征匹配模型的损失函数，利用步骤1构建得到的数据集对图像特征匹配模型进行训练，得到图像特征匹配模型权重。

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湖北工业大学，其通讯地址为：430072 湖北省武汉市洪山区南李路28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。