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！

龙图腾网获悉四川大学申请的专利基于融合注意力的全局到局部关键点定位方法及装置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：CN119399491B 。

龙图腾网通过国家知识产权局官网在2025-07-15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：202411553760.5，技术领域涉及：G06V10/46；该发明授权基于融合注意力的全局到局部关键点定位方法及装置是由林毅;刘超;张婷婷;郭东岳;刘怡光设计研发完成，并于2024-11-03向国家知识产权局提交的专利申请。

本基于融合注意力的全局到局部关键点定位方法及装置在说明书摘要公布了：本发明公开了一种基于融合注意力的全局到局部关键点定位方法及装置，包括以下步骤：步骤1：用摄像头采集图片并标注其关键点，对图片数据进行预处理构建关键点定位数据集；步骤2：构建全局回归模型并进行监督训练；步骤3：在全局回归模型的基础上构建局部回归模型，通过联合损失对其进行监督训练；步骤4：将预处理后的图片输入全局回归模型得到关键点预测坐标。本发明提出的全局回归模型提取图像深层特征，将与关键点相关的图像特征融合并映射到热图空间，实现在整张图片上的关键点高精度定位。此外，融合注意力模块能够有效捕捉全局特征和局部特征间的关系，引导图像全局特征向局部特征靠拢，实现在局部块内逐渐精确定位关键点坐标。

本发明授权基于融合注意力的全局到局部关键点定位方法及装置在权利要求书中公布了：1.一种基于融合注意力的全局到局部关键点定位方法，其特征在于，包括以下步骤： 步骤1：用摄像头采集图片并标注其关键点，对图片数据进行预处理，构建关键点定位数据集； 步骤2：构建全局回归模型；全局回归模型包括主干网络和热图解码模块；全局回归模型通过串联主干网络和热图解码模块来构建；主干网络提取图像表征中的图像结构信息和深层语义信息；热图解码模块生成每个关键点位置的概率分布热图，完成图像表征到热力图的回归；主干网络包括多尺度特征提取模块和特征对齐模块；多尺度特征提取模块为拥有多个不同尺度输出分支的HRNet网络的特征提取部分，由二维卷积层和ReLu激活函数组成；特征对齐模块，通过插值操作来完成特征对齐；热图解码模块包括特征映射模块和热图预测头模块；特征映射模块由二维转置卷积层、批量归一化层、ReLu激活函数和Dropout层串联而成；热图预测头模块由二维卷积层组成； 步骤3：对全局回归模型进行端到端监督训练； 步骤4：在全局回归模型基础上构建局部回归模型；局部回归模型包括局部块特征编码模块、全局特征编码模块和坐标解码模块；局部块特征编码模块依据前向关键点坐标的二维空间位置，通过多尺度图像表征编码局部块特征；全局特征编码模块融合多尺度图像表征，提取图像全局特征表示；坐标解码模块利用局部块特征引导全局特征生成关键点编码向量，将编码向量回归成局部偏移；全局特征编码模块包括特征提取模块和特征压缩模块；全局特征提取模块由大核二维卷积层、批量归一化层和ReLu激活函数串联而成；特征压缩模块由自适应池化层和线性映射层串联而成；局部块特征编码模块包括多尺度特征融合模块和块编码模块；多尺度特征融合模块由二维卷积层，批量归一化层和ReLu函数组成；块编码模块对局部块像素值采样并加权融合，生成局部块特征；坐标解码模块包括融合注意力模块和偏移预测模块；坐标解码模块由多个融合注意力模块和偏移预测模块交替堆叠而成；融合注意力模块由自注意力层、交叉注意力层、前向传播层和三个二维位置编码向量组成；偏移预测模块由1个单一线性映射层组成； 步骤5：对局部回归模型和全局回归模型进行端到端联合监督训练； 步骤6：将预处理后的所需定位图片输入训练后的全局回归模型，局部回归模型的输出即为预测的关键点坐标。

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四川大学，其通讯地址为：610065 四川省成都市武侯区一环路南一段24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”。