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！

龙图腾网获悉杭州电子科技大学申请的专利一种基于结构特征感知的半监督头影测量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：CN119360182B 。

龙图腾网通过国家知识产权局官网在2025-10-03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：202411503456.X，技术领域涉及：G06V10/82；该发明授权一种基于结构特征感知的半监督头影测量关键点检测方法是由谭敏;卢运杭;俞俊;郑雨晨;王林红设计研发完成，并于2024-10-25向国家知识产权局提交的专利申请。

本一种基于结构特征感知的半监督头影测量关键点检测方法在说明书摘要公布了：本发明公开了一种基于结构特征感知的半监督头影测量关键点检测方法，首先进行数据预处理并构建数据集；然后进行二阶段检测模型构建与损失函数设计，二阶段半监督模型框架的主干网络包含两个阶段：第一阶段利用全局上下文信息通过热力图回归方法检测关键点粗略位置；第二阶段通过捕捉关键点之间的全局‑局部相关性进行精细化预测；最后通过学生网络预训练与半监督师生模型训练得到预测结果。本发明采用了由粗略到精细的二阶段检测方法预测头影测量关键点，并引入了半监督师生模型架构的迭代网络设计，在每一轮此由教师网络指导学生网络，并循环迭代网络参数得到最终预测结果。在内部数据集上的实验结果证明了该方法的有效性。

本发明授权一种基于结构特征感知的半监督头影测量关键点检测方法在权利要求书中公布了：1.一种基于结构特征感知的半监督头影测量关键点检测方法，其特征在于，包括步骤如下： 步骤1、数据预处理并构建有标签数据集和无标签数据集； 步骤2、二阶段半监督模型构建与损失函数设计； 二阶段半监督模型框架的主干网络包含两个阶段：第一阶段利用全局上下文信息通过热力图回归方法检测关键点粗略位置；第二阶段通过捕捉关键点之间的全局‑局部相关性进行精细化预测； 步骤3、通过学生网络预训练与半监督师生模型训练得到预测结果； 将二阶段半监督模型分为两个主要部分：教师网络和学生网络；教师网络从已有的标注数据中学习得到的网络参数进行训练，并在未标注数据上生成伪标签，并结合图注意力模型提高伪标签的质量；首先学生网络预训练得到初始学生网络参数，接着学生网络基于教师网络生成的伪标签进行迭代训练预测最终结果； 二阶段半监督模型的第一阶段为热力图回归预测网络： 在热力图回归预测网络结构分为两个部分：编码器Encoder，解码器Decoder，其中编码器采用Swin Transformer逐级提取特征，解码器则通过跳跃连接、残差块逐级结合多尺度特征预测热力图； 所述的热力图回归预测网络的编码器： 编码器接受的输入是一个3D体素图像，将原始体积的图像统一下采样至尺寸为，通道数为S，作为网络的原始输入；首先，输入图像被划分为多个不重叠的3D patch组成3D token序列，维度为，接着投影到一个特征空间，特征的维度为 C；每个patch的大小为；编码器结构共有4级，每级包括2个Transformer块；模型在计算自注意力时，将输入图像分成不重叠的窗口，以提高patch之间的交互效率；具体来说，在每级第一个Transfomer块中的窗口大小，将3D小块均匀分割成多个区域；第二个Transfomer块沿着每个维度移动M2体素单位，从而增强信息的捕捉能力；为了有效计算移位窗口机制，利用3D循环移位并根据自注意力计算公式计算自注意力； 在编码器的第一级中，利用线性嵌入层生成的3D令牌；为了保持U形编码器的分层结构，利用patch合并层在每一级结束时将分辨率降低2倍；此外，patch合并层将分辨率为的补丁分组并进行连接，从而产生4C维特征嵌入；最终的特征尺寸通过线性层减小到2C；第二、第三、第四级的分辨率分别为、、，采用与第一级相同的网络设计； 所述的热力图回归预测网络解码器： 热力图回归预测网络采用U型网络架构设计，其中编码器提取的不同分辨率的图像特征通过跳跃连接作为解码器对应层级的输入；解码器结构共有5级，，第0级接收原始输入作为输入，第1‑4级通过跳跃连接接收对应编码器的4级结构的输出特征作为输入；解码器第t级的输入被重新调整为大小 ，并被馈送到由两个卷积层组成的残差块中，这些卷积层通过实例归一化层进行归一化；随后，使用解卷积操作将经过残差块处理后的特征图的分辨率提高2倍，并将输出与解码器第t‑1级的输出在通道数维度上进行拼接，其中解码器第4级与编码器第四级的输出经过瓶颈层处理得到的特征进行拼接；然后，使用同样的残差操作，将拼接的特征馈送到另一个残差块中得到解码器第t级的输出；将解码器第0级的输出通过使用卷积层和sigmoid激活函数处理后得到最终的热力图输出；预测的每个热力图表示关键点概率分布，指示关键点的粗略位置；通过对第的积分运算来计算第关键点空间坐标，公式表示如下： 其中是在体素处的第的值，并且是空间归一化项； 二阶段半监督模型的第二阶段为图注意力的结构感知网络，具体如下： 从未经下采样的原始体积的图像中裁剪关键点附近的3D图像得到3D patch作为图注意力的结构感知网络的输入以不丢失用于细尺度检测时的几何细节；利用一个图注意力模块和图像解码模块构建图注意力的结构感知网络提取结构感知特征向量嵌入全局结构特征，以确保预测精度； 所述的图注意力模块： 该模块的全局结构由图表示：预测的关键点即为节点集,其中n为关键点个数是在第一阶段中第个粗略关键点预测的粗略空间坐标值即空间特征，代表第一阶段中第0级在第个粗略关键点提取的特征图的特征向量即视觉特征；节点即空间视觉特征由空间特征拼接得到；边集表示节点之间空间关系，其中为可学习的参数表示和的边权重；通过图注意力模块从空间视觉特征中获得每个节点的结构感知嵌入： 其中是归一化项，是线性变换函数；注意力函数是之间的点积相似度： 其中和分别表示key和query函数； 所述的图像解码模块： 原始尺寸在第个粗略关键点空间坐标周围裁剪得到的3D patch表示为；通过图像解码模块学习得到视觉特征嵌入： 最终将和特征融合经过线性层得到偏移量： 。

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杭州电子科技大学，其通讯地址为：310018 浙江省杭州市钱塘区白杨街道2号大街1158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。