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院光电技术研究所申请的专利一种基于扩散建模的序列化跟踪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：CN119625023B 。

龙图腾网通过国家知识产权局官网在2025-11-18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：202411704864.1，技术领域涉及：G06T7/246；该发明授权一种基于扩散建模的序列化跟踪方法是由张建林;王智星;罗辉;李想;黎万;杨训设计研发完成，并于2024-11-26向国家知识产权局提交的专利申请。

本一种基于扩散建模的序列化跟踪方法在说明书摘要公布了：本发明公开了一种基于扩散建模的序列化跟踪方法。首先，构建特征提取网络的主干作为编码器模块。其次，搭建基于扩散模型的解码器模块分为加噪阶段与解噪阶段。定义适当的损失函数与优化方法，以确保网络训练过程中的收敛性。对跟踪网络进行充分的训练，使其能够准确识别并跟踪目标。在时序上将训练与推理过程统一，在训练阶段输入多个模板，一个搜索区域，从而在推理阶段实现多帧的更新。在推理阶段，扩散模型从随机高斯噪音中直接采样，从而生成跟踪框的序列。本方法在相似干扰，目标形变的场景下表现出色，不仅跟踪精度高，而且具备实时的序列生成速度，即该方法能够以每秒51帧的速度进行实时跟踪，满足了实际应用中的实时性要求。

本发明授权一种基于扩散建模的序列化跟踪方法在权利要求书中公布了：1.一种基于扩散建模的序列化跟踪方法，其特征在于，所述方法包括如下步骤： 步骤1：搭建基于ViT的主干网络去初步提取特征，实现图像编码器预训练；主干网络包括模板分支和搜索区域分支； 步骤2：搭建基于扩散模型的解码器模块，用于实现从噪音中解码跟踪框序列的过程； 步骤3：优化参数与损失函数，确保训练过程的稳定与收敛； 步骤4：首先将具有特定初始边界框的第0帧图像输入到模板分支，这个边界框由一组参数定义，包括中心位置坐标x,y以及宽w和高h，经过模板分支的主干网络输出为初始的模板特征图，随后，将视频中除第0帧外的后续帧依次输入搜索区域分支，并在高斯噪音中随机采样一个跟踪框序列，将这个跟踪框输入到解码器模块中，迭代生成最后的目标所在的跟踪框； 步骤2包括：步骤2.1：建立用于扩散模型的加噪模块，将预先给定的跟踪框序列S0进行加噪处理，通过一个加噪函数来实现，该函数将原始数据逐渐转换为带有噪声的数据，通过多个步骤进行，每一步都添加一定量的噪声，其数学表示如下： ； 其中，是在时间戳t上添加了高斯噪声的坐标序列，而是没有添加高斯噪声的原始坐标序列输入，I是单位矩阵，是高斯噪声，表示高斯分布，是一个超参数，它由噪声方差βs的连续乘积决定，对于噪声添加过程，在每个时间戳上，将具有独立同分布高斯噪声的噪声方差计划β1,β2,…,βt加到上，以形成，其中，边界框[x,y,w,h]被用作； 步骤2.2：建立用于扩散模型的噪音解噪模块，在加噪之后通过了一层实例适应层后在特征图中选取了噪音区域作为特征向量，随后多头自注意力模块MSA与MCA与前馈神经网络FFN被用于去融合噪音区域特征向量与来自主干网络的共享特征FP，t为随机生成的向量，经过映射后与多头自注意力模块的输出结果相结合，最后通过前馈神经网络FFN输出解噪后的目标框的参数值，其中L1损失函数作为解噪值与真实值之间的度量； 步骤3包括：步骤3.1：对于L1损失函数优化设计，在扩散解噪过程中采用L1距离损失来度量解噪后的序列与加噪前的序列的一致性，同时加入交叉熵分类损失、交并比定位损失来进一步加强定位能力，相关公式如下： ； 其中，是真实标签，n是类别数量，是学习到的概率； ； 其中，是模型预测的边界框，是真实的边界框； ； 其中，N是样本个数，是预测值，是真实值； 在优化网络训练的过程中，AdamW被选取作为优化器，以增强损失函数学习的稳健性和加快收敛速度； 步骤3.2：COCO、TrackingNet、LaSOT和GOT10k这四个数据集被作为训练基础； 步骤3.3：调整学习率的初始值，衰减策略，下降策略，迭代次数与更新阈值，提高网络的学习效率。

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院光电技术研究所，其通讯地址为：610209 四川省成都市双流350信箱；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。