申请/专利权人:武汉大学;湖北珞珈实验室
申请日:2024-02-23
公开(公告)日:2024-06-21
公开(公告)号:CN118229993A
主分类号:G06V10/46
分类号:G06V10/46;G06V10/40;G06N3/0442;G06N3/042;G06N3/048;G06V10/44;G06N3/047;G06N3/045;G06T7/70;G06N3/08
优先权:
专利状态码:在审-公开
法律状态:2024.06.21#公开
摘要:本发明公开了一种基于图注意力和循环神经网络的特征点选取方法和装置。在长短期记忆LSTM网络中创新性的引入图注意力网络构建基于深度学习的动态特征管理模块,使系统能够优先关注特征管理器中稳定的特征点。首先,GAT模块从单个图像的特征点中提取空间结构信息,对每个特征点的局部关系进行建模。进一步,LSTM模块对特征点的局部关联进行时间一致的特征的建模和分析。所提方法有效地将局部关系建模与全局一致性分析相结合,首次应用GAT‑LSTM来解决动态和错误跟踪特征点给视觉同步定位与制图带来的复杂性,有效提高了系统三角测量和姿态估计的准确性。
主权项:1.一种基于图注意力和循环神经网络的特征点选取方法,其特征在于,包括如下步骤:步骤1,连续图像帧的特征点检测与追踪;步骤2,特征点语义、灰度、位置属性信息提取,获得特征点属性集合;步骤3,利用图注意力模块聚合特征点空间结构、属性、局部关系特征,获得图像特征点特征序列;步骤4,利用循环神经网络模块捕获特征点特征序列中的运动、空间拓扑变化和场景变化特征,获得高维隐藏特征;步骤5,利用解码器模块从高维隐藏特征获得各个特征点的重要性向量,用于进行特征点选取。
全文数据:
权利要求:
百度查询: 武汉大学;湖北珞珈实验室 基于图注意力和循环神经网络的特征点选取方法和装置
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。