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！

龙图腾网获悉安徽大学申请的专利一种基于对比学习的蹦床运动二维姿态估计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：CN116805334B 。

龙图腾网通过国家知识产权局官网在2025-09-16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：202310757475.4，技术领域涉及：G06T7/73；该发明授权一种基于对比学习的蹦床运动二维姿态估计方法是由鲍文霞;林安;王年设计研发完成，并于2023-06-26向国家知识产权局提交的专利申请。

本一种基于对比学习的蹦床运动二维姿态估计方法在说明书摘要公布了：本发明涉及一种基于对比学习的蹦床运动二维姿态估计方法，包括：对采集的蹦床运动视频进行切帧处理，得到蹦床运动数据集，划分为训练集和测试集；利用对比学习方法，通过孪生网络模型，使用ImageNet公开数据集的图像进行模型训练，获得预训练模型；使用蹦床运动数据集，进行迁移学习，得到SimplebaseLine模型，获取人体关节点坐标信息，计算关节点角度及与关节点相似性OKS。本发明使用多尺度特征向量预测不同视图，提升了对小尺度目标如踝关节的检测能力，将预训练模型迁移至半监督人体姿态估计框架ESCP，迁移后不仅能提高关节点检测的准确率，还使模型参数的泛化效果更好，减少了对于注释样本需求，解决了蹦床场景注释误差大的问题，检测精度获得提升。

本发明授权一种基于对比学习的蹦床运动二维姿态估计方法在权利要求书中公布了：1.一种基于对比学习的蹦床运动二维姿态估计方法，其特征在于：该方法包括下列顺序的步骤： 1数据采集与处理：对采集的蹦床运动视频进行切帧处理，得到蹦床运动数据集，将蹦床运动数据集划分为训练集和测试集； 2进行预训练：利用对比学习方法，通过孪生网络模型，使用ImageNet公开数据集的图像进行模型训练，获得预训练模型； 3进行半监督训练：使用蹦床运动数据集，在预训练模型的基础上通过微调的方式进行迁移学习，得到SimplebaseLine模型，通过SimplebaseLine模型获取人体关节点坐标信息，计算关节点角度及与关节点相似性OKS； 所述步骤2具体包括以下步骤： 2a构建包含上、下两条支路的孪生网络模型，在ImageNet公开数据集中随机选取一张图片X，采用不同的数据增强方式，得到不同数据增强的视图X1′和X2′分别送入孪生网络模型的上、下两条支路处理，上、下两条支路共享权重； 2b孪生网络模型上、下两条支路的主干网络都由ResNet50网络组成，去除ResNet50网络末端的全连接层，将ResNet50网络的Layer2、Layer3、Layer4、Layer5的特征向量f1,f2,f3,f4并行转发给特征金字塔模块FPN进行特征融合，得到融合后的特征向量f1,f2,f3,f4的维度分别是256维、512维、1024维和2048维： 对于特征向量f1，特征融合公式为： 对于特征向量f2,f3,f4，特征融合公式为： 其中，Pool表示最大值池化操作，Conv1和Conv2分别表示卷积内核大小为1、3的卷积操作，Up表示2倍上采样操作，特征向量f1,f2,f3,f4转发给特征金字塔后降维输出的特征维度均为512维； 2c将融合后的特征向量转发给投影层编码，得到编码后的特征向量 其中，i∈{1,2,3,4}，Proj·表示映射编码，FC-BN-ReLU表示多层感知机映射操作，包括全连接映射、批归一化和激活函数，×2表示将多层感知机映射重复执行两次，映射层中输入、输出的全连接层是512维，隐藏全连接层是512维； 2d将上支路的特征向量转发给预测层二次编码，得到编码后的特征向量 其中，i∈{1,2,3,4}，Pred·表示预测编码，预测层中输入、输出维度是512维，隐藏全连接层是128维，投影层的每个多层感知机层都接有批归一化层，而预测层只有第1个多层感知机接有批归一化层； 下支路只需恒等映射； 2e用表示上支路特征向量，用表示下支路特征向量，对和进行相似度比较： 把特征向量的负余弦相似度作为损失函数，用上支路的特征向量去预测下支路的特征向量使主干网络学习到提取多尺度特征的能力，归一化负余弦相似度的计算公式为： 其中，特征向量的维度是512维，||||2是L2范数等价于L2标准化向量的均方误差，表示特征向量的归一化负余弦相似度，其最小值是-1，表示特征向量的相似程度； 依照孪生网络对称结构，将视图X1′和X2′送入上、下支路的顺序调换，重新编码后生成的归一化负余弦相似度的公式为： 使用两个负余弦相似度的和作为损失函数如下公式表示： 其中，stopgrad·表示停止梯度操作，为常数，不参与网络反向传播梯度的过程； 2f为损失函数设置权重，总损失函数的计算公式如下式表示： 其中，i代表主干网络提取的第i级特征，为第i对特征的损失值，λi为的平衡权重； 2g进行预训练，预训练结束后，将孪生网络模型中的主干网络的权重保存，得到预训练模型。

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大学，其通讯地址为：230601 安徽省合肥市经济技术开发区九龙路111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。