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！

龙图腾网恭喜北京工业大学申请的专利一种基于注意力卷积神经网络的视觉里程计算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：CN114463420B 。

龙图腾网通过国家知识产权局官网在2025-05-02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：202210113074.0，技术领域涉及：G06T7/70；该发明授权一种基于注意力卷积神经网络的视觉里程计算法是由高学金;牟雨曼;任明荣设计研发完成，并于2022-01-29向国家知识产权局提交的专利申请。

本一种基于注意力卷积神经网络的视觉里程计算法在说明书摘要公布了：本发明公开了一种基于注意力卷积神经网络的视觉里程计算法。针对传统的视觉里程计要求图片含有大量的纹理信息，且求解过程较为复杂，而基于卷积神经网络的视觉里程计精度较低的问题，提出基于注意力卷积神经网络和门控循环单元的视觉里程计。利用注意力机制提高卷积模块特征提取的精度，从而提高视觉定位的精度。相比于以往的视觉里程计算法，在保证了精度的同时摒弃了复杂的求解过程，更加适合于实际工程应用。

本发明授权一种基于注意力卷积神经网络的视觉里程计算法在权利要求书中公布了：1.一种基于注意力卷积神经网络的视觉里程计算法，其特征在于，具体包括以下步骤：1基于AttentionConvolutionModel的特征提取1卷积神经网络CNN的参数如表1所示，共包含9个卷积层，并在每个Conv的后面添加批标准化；CNN中第一层卷积核大小为7×7，第二、三层为5×5，后六层为3×3，选取ReLU作为激活函数；AttentionConvolution模块的输入为KITTI数据集中相邻两帧的图片，为了保留原始数据的几何特征，对图片的大小做了修改，将其统一为1280×384；图片经过9层卷积特征提取后的张量大小为10×3×512；表1卷积层参数列表 2注意力机制将注意力机制嵌入到卷积网络中，注意力模块计算公式如下：McF＝σMLPAPF+MLPMPF1 其中MLP表示全连接层，为特征图谱，为一维通道注意力特征，AP、MP分别表示平均池化和最大池化，为二维空间注意力特征；σ为sigmoid函数，f7*7表示滤波器大小为7×7的卷积运算；2基于GRU的时序建模将当前时刻表示为t，输入为xt，上一时刻的隐藏状态表示为ht-1，则GRU的输出以及状态更新方程如下所示； 其中zt表示GRU中的更新门，σ为sigmoid激活函数，用于将输出值控制在0到1之间，rt表示GRU中的重置门，tanh激活函数用于将输出值控制在-1到1之间，[]表示两个向量相连，*表示矩阵的乘积；W、Wz、Wr表示权重，采用随机初始化方式，并在训练过程中不断更新；本模型中的GRU共有两层，每层含有1024个隐藏单元；输入的图片序列在经过AttentionConvolutionModel进行特征提取后得到大小为10×3×512的张量，然后输入到第一层GRU中，并将该层输出输入到第二层GRU中，第二层GRU的输出为整个GRU模块的输出；3全连接层共有两层全连接层，分别含有128和6个隐藏单元；全连接层将GRU模块输出的高维特征进行降维，最终输出的六维张量为当前时刻与上一时刻图片之间的相对姿态；4损失函数把视觉里程计中的位姿估计问题表达为条件概率问题；如公式4所示，对于给定的n+1张图片：X＝X1,X2,...,Xn+14通过计算得到相邻图片之间的位姿：Y＝Y1,Y2,...,Yn5将视觉里程计中的位姿估计问题看作条件概率问题，计算公式为：pY|X＝pY1,Y2,...,Yn∣X1,X2,...,Xn+16求解最优网络参数w*使得公式6中的概率最大： 采用均方误差MeanSquaredError,MSE作为损失函数，如公式8所示： P1i表示第i对正序输入的GroundTruth的位移，Φ1i表示第i对正序输入的GroundTruth的转角；表示第i对样本正序输入的位移，表示第i对样本正序输入的转角；P2i表示第i对逆序输入的GroundTruth的位移，Φ2i表示第i对逆序输入的GroundTruth的转角；表示第i对样本逆序输入的位移，表示第i对样本逆序输入的转角；M表示样本数量，β1和β2分别表示正序、反序输入误差的尺度因子；训练时网络中的所有参数的权重采用xavier的初始化方法，偏差采用零初始化方法；迭代次数设为100次，初始学习率设为0.01；并将第100的模型参数保存用于后续的测试过程。

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北京工业大学，其通讯地址为：100124 北京市朝阳区平乐园100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”。