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！

龙图腾网获悉安徽酷哇机器人有限公司;上海酷移机器人有限公司申请的专利基于自编码器获取鸟瞰图特征的感知模型训练方法及系统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：CN115565146B 。

龙图腾网通过国家知识产权局官网在2026-02-17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：202211318099.0，技术领域涉及：G06V20/56；该发明授权基于自编码器获取鸟瞰图特征的感知模型训练方法及系统是由廖文龙;何弢;马浩博;彭湃设计研发完成，并于2022-10-26向国家知识产权局提交的专利申请。

本基于自编码器获取鸟瞰图特征的感知模型训练方法及系统在说明书摘要公布了：本发明提供了一种基于自编码器获取鸟瞰图特征的感知模型训练方法及系统，包括：获取原始图像数据集，对其进行标注，得到标注数据集；创建第一自编码器；利用所述标注数据集对所述第一自编码器进行自编码训练，完成后得到第一解码器模型和第一鸟瞰图特征集；创建第二编码器；利用所述标注数据集和所述第一鸟瞰图特征集对所述第二编码器进行训练，完成后得到第二编码器模型；将所述第二编码器模型和所述第一解码器模型级联起来，所述第二编码器模型的输出作为所述第一解码器模型的输入，构成第二自编码器；对所述第二自编码器进行微调训练，完成后得到感知模型。本发明大幅提升训练速度，极大降低模型改进成本，提高可解释性。

本发明授权基于自编码器获取鸟瞰图特征的感知模型训练方法及系统在权利要求书中公布了：1.一种基于自编码器获取鸟瞰图特征的感知模型训练方法，其特征在于，包括： 步骤S1：获取原始图像数据集，对其进行标注，得到标注数据集； 步骤S2：创建第一自编码器，其包含第一编码器和第一解码器，二者级联，所述第一编码器的输出作为所述第一解码器的输入； 步骤S3：利用所述标注数据集对所述第一自编码器进行自编码训练，完成后得到第一解码器模型和第一鸟瞰图特征集； 步骤S4：创建第二编码器； 步骤S5：利用所述标注数据集和所述第一鸟瞰图特征集对所述第二编码器进行训练，完成后得到第二编码器模型； 步骤S6：将所述第二编码器模型和所述第一解码器模型级联起来，所述第二编码器模型的输出作为所述第一解码器模型的输入，构成第二自编码器； 步骤S7：对所述第二自编码器进行微调训练，完成后得到感知模型； 所述第一解码器包括： 多头自注意力层，使用输入的鸟瞰图特征作为Key和Value，并且声明多个Query，计算权重后相加获得输出；有多个头做同样的操作以获得不同侧重点的输出，单个头的计算公式为： 其中，K、V、Q分别代表Key、Value和Query矩阵；为元素点积；为key的维度； 多尺度可变形注意力层，将普通可变形自注意力层扩展到多尺度特征输入上，有多个注意力头，计算公式为： 其中，M表示注意头的总数，L表示输入特征级别，K表示采样点数量，和分别表示第个特征级别第k个采样点的采样偏移量和第m个注意头的注意权重，为可学习的权重，为归一化后缩放到第l层的特征图，为每个查询元素q的参考点的归一化坐标，为输入的多尺度特征图，为查询元素； 前馈神经网络层，包括两个全连接层和一个激活层； 三个正则化层，采用Ln正则化； 损失函数，先计算目标检测框和分类结果，然后分别计算回归损失和分类损失，最后加权获得结果；回归损失计算L1损失，分类损失计算Focal损失，二者计算公式分别为： 其中，回归损失权重为w1，分类损失权重为w2，为平衡L1损失，为第i对应的u类的回归结果，为第i回归目标，为易分样本，为调节因子； 所述第二编码器包括： 骨干网络，采用ResNet结构，用于获取图像的特征； 三个特征金字塔网络层，输出三层多尺度特征，用于识别各个尺度的特征； 可变形多头自注意力层，输入历史鸟瞰图特征，对Query加鸟瞰图位置特征进行线性变换获得权重矩阵，然后计算要采样的周围空间的点，最后调用可变形多头自注意力函数； 可变形交叉注意力层，根据之前计算的图像特征上的投影，先计算每个鸟瞰图特征对应的参考电位，然后调用多尺度可变形注意力函数； 前馈神经网络层，包括两个全连接层和一个激活层； 三个正则化层，采用Ln正则化； 损失函数，计算平衡L1损失，计算公式为： 若， 否则，其中，为超参数，且满足，为偏移常量。

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安徽酷哇机器人有限公司;上海酷移机器人有限公司，其通讯地址为：241000 安徽省芜湖市中国(安徽)自由贸易试验区芜湖片区西昌路1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。