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多任务学习的端侧指纹表征识别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：CN119672769B 。

龙图腾网通过国家知识产权局官网在2025-11-21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：202411493371.8，技术领域涉及：G06V40/12；该发明授权一种基于多任务学习的端侧指纹表征识别方法是由李建军;林乃键;张磊;叶茵;刘畅;李振辉;黄天宸;李志勇;吉泽人设计研发完成，并于2024-10-24向国家知识产权局提交的专利申请。

本一种基于多任务学习的端侧指纹表征识别方法在说明书摘要公布了：本发明公开了一种基于多任务学习的端侧指纹表征识别方法。首先对指纹图片进行预处理，然后将预处理后的训练数据输入主干神经网络，得到基础特征；之后将基础特征输入细节点提取网络，经过多层卷积和反卷积，生成纹理信息图。将基础特征输入多层感知机，生成拓扑信息，并得到对应的类别信息。最后将基础特征、纹理信息和拓扑信息通过联合损失函数，反向传播于三个网络模块进行更新，以达到将基础特征在纹理信息和拓扑信息的辅佐下转化为指纹表征信息的目的。本发明使用多任务学习方法，多尺度学习指纹特征信息，有效提升指纹识别精度。本发明将指纹多尺度信息融合为一个指纹表征，使得鲁棒性更强。本发明全程采用轻量级网络，节省了硬件资源开销，更加适配端侧设备。

本发明授权一种基于多任务学习的端侧指纹表征识别方法在权利要求书中公布了：1.一种基于多任务学习的端侧指纹表征识别方法，其特征在于，包括以下步骤： 步骤1批量指纹图片输入和预处理：对批量指纹图片进行缩放，然后进行二值化和标准化处理，将处理后的图片数据随机分为训练数据和验证数据； 步骤2基础特征任务学习：将预处理后的训练数据输入一个权重共享的主干神经网络，得到基础特征，以基础特征作为后续其他多任务学习的起点； 步骤3细节点提取任务学习：将基础特征输入细节点提取网络，经过多层卷积和反卷积，生成纹理信息图； 步骤4指纹类别任务学习：将基础特征输入多层感知机，生成拓扑信息，并得到对应的类别信息； 步骤5将基础特征、纹理信息和拓扑信息通过联合损失函数，反向传播于三个网络模块进行更新，以达到将基础特征在纹理信息和拓扑信息的辅佐下转化为指纹表征信息的目的； 步骤6测试训练好的网络模型，进行评估精度； 步骤2的具体步骤是： 步骤2-1所述的权重共享的主干神经网络采用AIFingerNet模型，并采用SimCLR方法进行预训练； 步骤2-2将训练数据输入预训练好的AIFingerNet模型，得到AIFingerNet模型的最后一层输出即基础特征作为其余学习任务的输入，其特征向量大小为192*5*5； 步骤3中的步骤具体是： 步骤3-1将AIFingerNet模型提取到的基础特征作为输入，经过由两层卷积和一层反 卷积交替两次构成的细节点提取网络，生成大小为*128*128的纹理信息图作为； 步骤3-2基于步骤1-1预处理后的指纹图片获取由指纹纹路上的细节点构成集合： 其中，表示细节点数量，表示第t个细节点在 指纹图像上的坐标，标示第t个细节点的方向，范围在[0，2Π]； 步骤3-3将细节点集合编码为大小与相同的热力图，作为真实标签输入；编码 方式如下： 遍历中每一点，将其表示为，表示点在中的坐标，表示点在中的通 道维度，记该点值为，则： 其中，分别表示细节点的空间 坐标和旋转方向对的贡献值，表示与之间的欧 几里得距离，表示与之间的方向差值； 步骤3-4基于纹理信息图和真实标签输入通过细节点均值损失函数Lmap计算出纹 理信息对最终表征信息的贡献值： 其中，为一个值全为1的二维矩阵，该矩阵大小为1，a，为大小为a， 1的矩阵，该矩阵由的结果进行重构成大小为a，-1的矩阵，-1表示该维度大小 自适应，然后对自适应的第二维度取平均得来； 步骤4中的步骤具体是： 步骤4-1将AIFingerNet模型提取到的基础特征作为输入，经过由两层全连接层和一个drop层组成的多层感知机，得到指纹图片在各个类别的概率，指纹图片最终的类别由概率最高的一类决定； 步骤4-2将指纹图片的类别概率与经过softmax后的真实标签概率作为交叉熵损失函数Lcross的输入，计算出拓扑信息对最终表征信息的贡献值： 其中p表示类别概率，表示真实标签概率。

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。