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！

龙图腾网获悉深圳大学申请的专利一种用于场景交互的展开式多视图无监督特征选择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：CN121640204B 。

龙图腾网通过国家知识产权局官网在2026-04-10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：202610148435.3，技术领域涉及：G06V10/771；该发明授权一种用于场景交互的展开式多视图无监督特征选择方法是由王浩;杨帆;周璞;何志权;李岩山;曹文明设计研发完成，并于2026-02-03向国家知识产权局提交的专利申请。

本一种用于场景交互的展开式多视图无监督特征选择方法在说明书摘要公布了：本发明涉及计算机视觉领域，具体公开了一种用于场景交互的展开式多视图无监督特征选择方法，包括：S1、获取VR或AR设备经特征提取模块输出的多视图数据；S2、构建多视图无监督特征选择模型并确定总体目标函数；S3、基于低维表征与重构实现特征选择与去异常值；S4、构建高阶相似性图并融合得到共识高阶相似性图；S5、采用交替迭代算法更新模型参数；S6、通过深度展开算法加速模型运算；S7、基于模型输出筛选特征。本发明提出的技术方案解决了现有方法LSAG多视图、语义挖掘、时延问题，有效提升VR或AR交互精度与稳定性，降低开销。

本发明授权一种用于场景交互的展开式多视图无监督特征选择方法在权利要求书中公布了：1.一种用于场景交互的展开式多视图无监督特征选择方法，其特征在于，包括： S1、获取VR或AR设备经特征提取模块输出的多视图数据：设数据为路时间戳同步的特征向量，为视图数量即传感器数量，任意时刻t下该视图有个特征向量，将个时刻的特征向量拼接为数据矩阵，个视图总数据矩阵； S2、构建多视图无监督特征选择模型并确定总体目标函数：所述目标函数L为： ； 式中，是为当前视图输入原始数据，为投影矩阵，为数据的低维表征，为异常值项，为各视图的o阶相似性矩阵，为所有视图的共识高阶相似性矩阵，为根据各视图贡献分配的视图权重，为共识高阶相似性矩阵的拉普拉斯矩阵，、、为超参数； S3、基于低维表征与重构实现特征选择与去除异常值：学习投影矩阵将映射至低维空间得到，通过与逆向重构，将重构误差中非结构稀疏部分识别为异常值矩阵，对施加范数约束，对施加范数稀疏约束，实现特征选择与异常值剔除； S4、构建高阶相似性图并融合得到共识高阶相似性图：基于为每个视图构建各阶相似性图、、...、，式中一阶相似性矩阵的元素通过高斯核函数计算，二阶相似性矩阵的元素通过验证邻域集合一致性量化，高阶相似性矩阵，对应归一化拉普拉斯矩阵；再根据各视图数据质量自适应学习权重系数bv，将加权后的各视图高阶相似性图融合为共识高阶相似性图S； S5、采用交替迭代算法更新模型参数：交替更新、、、S、bv，式中采用梯度下降更新，通过硬阈值方法更新，根据与n的大小关系选择不同迭代方式更新，S通过优化各行向量更新，bv通过转化为带线性约束的二次规划问题求解； S6、通过深度展开算法加速模型运算：将交替迭代优化过程映射为轻量级神经网络的前向传播过程，迭代步骤对应网络固定层，算法超参数转化为网络可学习权重参数，构建包含低维表征模块、去异常值模块、特征选择模块、高阶相似性模块、视图权重模块的特征选择块，完成参数更新与模型加速； S7、基于模型输出筛选特征：根据模型得到的特征矩阵对各特征评分，选取top-k特征，得到下游任务输入数据Xv'∈ℝnxfv，fv为选择的特征数量； S4中，一阶相似性矩阵S的元素sij具体计算方式为： ； 式中，为的近邻集合，为的近邻集合，σ为高斯核函数参数； 二阶相似性矩阵S2的元素具体计算方式为： 式中，为的近邻集合，为的近邻集合，近邻集合，近邻集合，即以满足的k近邻集合相同的数据点对计算二阶相似性矩阵元素； 高阶相似性矩阵S的计算方式为： 式中为一阶相似性矩阵，阶相似性矩阵，且满足

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深圳大学，其通讯地址为：518060 广东省深圳市南山区南海大道3688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。