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！

龙图腾网恭喜陕西师范大学申请的专利基于特征自适应融合的立定跳远阶段分类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：CN115359292B 。

龙图腾网通过国家知识产权局官网在2025-06-20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：202211005577.2，技术领域涉及：G06V10/764；该发明授权基于特征自适应融合的立定跳远阶段分类方法是由马苗;李雨桐;武杰;裴炤;黄聪设计研发完成，并于2022-08-22向国家知识产权局提交的专利申请。

本基于特征自适应融合的立定跳远阶段分类方法在说明书摘要公布了：一种基于特征自适应融合的立定跳远阶段分类方法，由构建视频分类数据集、运动信息自适应融合、构建视频分类网络、训练视频分类网络和检测测试集视频组成。本发明采用运动信息自适应融合方式改变输入模态以注重运动边界信息，并在特征提取骨干网络中构建注重局部和全局特征信息的双层池化时序注意力模块，得到特征自适应融合的立定跳远阶段分类网络。本发明与现有技术相比，具有运动特征信息获取更加精细、分类结果更加准确等优点，在立定跳远自建数据集上的对比仿真实验结果表明，与现有的主流方法相比，分类准确率提高了14.1％，可用于立定跳远这一特定运动的阶段分类。

本发明授权基于特征自适应融合的立定跳远阶段分类方法在权利要求书中公布了：1.一种基于特征自适应融合的立定跳远阶段分类方法，其特征在于由下述步骤组成： 1构建立定跳远数据集 在操场自然环境场景下采集学生立定跳远运动视频，将每一个完整的运动视频分割成10个阶段剪辑，构建立定跳远阶段数据集{S0，S1，S2，S3，S4，S5，S6，S7，S8，S9}，S0表示视频开始到摆臂最高点阶段，S1表示摆臂最高点到脚掌开始离地阶段，S2表示脚掌开始离地到全脚掌离地起跳阶段，S3表示全脚掌离地起跳到拉背弓阶段，S4表示拉背弓到大腿垂直地面阶段，S5表示大腿垂直地面到举腿膝最高点阶段，S6表示举腿膝最高点到脚后跟开始落地阶段，S7表示脚后跟开始落地到全脚掌落地阶段，S8表示全脚掌落地到骻骨最低点阶段，S9表示骻骨最低点到视频结束阶段，将数据集按3：1：1划分成训练集、验证集、测试集； 2运动信息自适应融合 将视频输入序列V分为等长的M个视频段V为{S1，S2，...，SM}，每段选择相邻的f帧堆叠为{I1，I2，...，IM}，相邻帧集中的f帧为将其输入运动增强模块得到运动信息每段的运动信息特征构成{ME1，ME2，...，MEM}，与每f帧堆叠的第一帧为以加性特征自适应融合方式馈送到视频分类网络，M为有限正整数，f取值为4； 3构建视频分类网络 视频分类网络由7×7的卷积层1与最大池化层2、第二阶段残差块3、第三阶段残差块4、第四阶段残差块5、第五阶段残差块6依次串联构成，第二阶段残差块3由3个残差基础块串联构成，第三阶段残差块4由4个残差基础块串联构成，第四阶段残差块5由6个残差基础块串联构成，第五阶段残差块6由3个残差基础块串联构成，每个残差基础块由1×1卷积层与双层池化时序注意力模块、3×3卷积层、1×1卷积层依次串联构成； 4训练视频分类网络 1视频分类网络初始化 用Xavier方法初始化视频分类网络参数； 2设置视频分类网络的超级参数 将训练集的视频帧尺寸大小调整为224×224；在训练过程中，数据批量为8，学习率为0.0025，在36轮次学习率衰减为0.00025，后10次的学习率衰减为0.000025； 3训练视频分类网络 将训练集中的所有视频输入视频分类网络，进行前向传播，按下式确定损失函数L： 损失函数L为负对数似然损失；使用随机梯度下降方法降低损失值来进行反向传播，反复循环前向传播和反向传播，并更新视频分类网络的权重和偏置，直至损失函数收敛，训练结束，得到训练好的视频分类网络； 5检测测试集视频 将测试集输入到训练好的视频分类网络中，输出视频分类结果。

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陕西师范大学，其通讯地址为：710062 陕西省西安市长安南路199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”。