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！

龙图腾网获悉中国科学技术大学申请的专利基于树状信息融合的神经拟态视觉信号去噪方法及其信息存储复用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：CN119027340B 。

龙图腾网通过国家知识产权局官网在2025-10-21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：202411294414.X，技术领域涉及：G06T5/70；该发明授权基于树状信息融合的神经拟态视觉信号去噪方法及其信息存储复用方法是由查正军;徐悦洋;傅雪阳设计研发完成，并于2024-09-14向国家知识产权局提交的专利申请。

本基于树状信息融合的神经拟态视觉信号去噪方法及其信息存储复用方法在说明书摘要公布了：本发明公开了一种基于树状信息融合的神经拟态视觉信号去噪方法及其信息存储复用方法，该去噪方法包括：1，对原始的神经拟态视觉信号进行时空窗口过滤，并使用基于树的数据结构对神经拟态视觉信号进行时空信息的组织；2，建立专用于树状信息的卷积神经网络模型，对进行树状信息的融合；3，在数据集上训练建立的卷积神经网络模型，得到最优的模型参数，并用于对神经拟态视觉信号中的噪声信号进行去除；该信息存储复用方法包括：将训练好的模型进行部署，通过对信号处理结果的特征进行存储和复用，实现递归的神经拟态视觉信号去噪。本发明能实现高精度，高速度的神经拟态视觉信号的噪声去除，且去噪后的信号可应用于相关领域的下游任务中。

本发明授权基于树状信息融合的神经拟态视觉信号去噪方法及其信息存储复用方法在权利要求书中公布了：1.一种基于树状信息融合的神经拟态视觉信号去噪方法，其特征在于，包括如下步骤： 步骤1、获取带有噪声标签的神经拟态视觉信号序列并进行预处理，包括：定义信号的相关参数以及时空窗口，建立信号的关联，获取信号树组，获取树张量并处理相对位置，配对树张量组及标签并输出； 步骤1.1、定义信号的相关参数以及时空窗口： 步骤1.1.1、定义信号的相关参数： 利用神经拟态视觉相机获取按时间排列的神经拟态视觉信号序列ES={es1,es2,...,esi,...,esn}及其对应的噪声标签ESlabel={l1,l2,...,li,...,ln}，其中，esi表示第i个神经拟态视觉信号，且esi={xi,yi,ti,pi}，xi为esi的像素横坐标，yi为esi的像素纵坐标，ti为esi的时间戳，pi为esi的极性，令ei表示esi在ES中的索引，则索引序列记为E={e1,e2,...,ei,...,en}；li表示esi的噪声标签，若li=1，表示esi为噪声信号，若li=0，表示esi为正常信号；i=1,2,...,n，n为信号的总数； 步骤1.1.2、定义时空窗口： 定义时空窗口STW={wx,wy,wt}，其中，wx表示横坐标轴上的窗口距离，wy表示纵坐标轴上的窗口距离，wt表示时间轴上的窗口距离； 步骤1.2、建立信号的单跳关联以及信号的关联信号组ESRelation： 步骤1.3、建立信号的多跳关联并得到关联信号树组EStree、定义树上的相关关系以及获取有效位掩码Availmask： 步骤1.4、对神经拟态视觉信号序列ES进行扩展并获取关联信号树张量EStreetensor： 步骤1.5、将总关联信号树张量EStreetensor、噪声标签ESlabel与总有效位掩码Availmask作为训练数据； 步骤2、构造神经网络，包括：掩码批归一化层MaskBatchNorm、卷积提取单元Convlayer和多层感知机MLPconcat： 步骤2.1、建立N层的掩码批归一化层，用于对不同层的特征进行归一化操作，并输出每一层的聚合后的特征： 其中，第层掩码批归一化层MaskBatchNorm利用式1和式2对第层输入的特征Teninput与掩码Tenmask进行运算，得到第层均值mean和第层方差var： 1 2 式1和式2中，表示矩阵的元素积，sumdim=2表示对矩阵的第二个维度进行求和； 利用式3得到第层掩码批归一化层输出的归一化特征MaskBatchNormOutput： 3 式3中，eps表示防止分母为零的参数； 步骤2.2、建立N层的卷积提取单元，用于对不同层的特征进行融合，并输出每一层的归一化特征： 其中，第l层的卷积提取单元Convlayer利用式4和式5对由父节点及其子节点特征组成的第l层的输入特征Tenfcinput进行处理，得到第层聚合后的特征Tensorf： 4 5 式4和式5中，Tenmask表示第层的有效位掩码，MLPup表示第层的升维多层感知机层，MaskBatchNorm表示第层的掩盖码批归一化层，Maxpooling表示第层的最大池化层，MLPeq表示第层的等维多层感知机层，表示第层的残差连接； 步骤2.3、利用N层的卷积提取单元对信号树张量TreeTensori进行聚合，得到esi的总根节点张量RootTlyi； 步骤2.4、拼接esi的N层的根节点张量后，得到esi拼接后的根节点张量ConcatRootTensori，并输入多层感知机MLPconcat中进行处理，从而利用式6得到esi的噪声概率值predi： 6 式6中，Sigmoid为激活函数； 步骤3、基于esi的噪声概率值和噪声标签i构建第i个二元交叉熵损失函数LBCEi，并利用Adam优化器对神经网络进行训练，计算二元交叉熵损失函数以反向传播至网络中进行参考优化，当二元交叉熵损失函数收敛时停止训练，从而获得最优去噪模型，用于对神经拟态视觉信号，并输出噪声的概率值，并对概率值大于阈值的信号判定为噪声后去除。

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中国科学技术大学，其通讯地址为：230026 安徽省合肥市包河区金寨路96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。