買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網恭喜江西師范大學申請的專利一種基于邊界引導的多級注意力網絡的息肉圖像分割方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN118941587B 。

龍圖騰網通過國家知識產權局官網在2025-05-16發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202411414098.5，技術領域涉及：G06T7/12；該發明授權一種基于邊界引導的多級注意力網絡的息肉圖像分割方法是由吳子煌;陳華;江愛文;李宏偉;王千;葉友輝設計研發完成，并于2024-10-11向國家知識產權局提交的專利申請。

本一種基于邊界引導的多級注意力網絡的息肉圖像分割方法在說明書摘要公布了：本發明公開了一種基于邊界引導的多級注意力網絡的息肉圖像分割方法，包括：S1：構建數據集；S2：構建基于邊界引導的多級注意力網絡，獲取圖像的多級特征;S3:多尺度特征提取模塊獲取壓縮通道的多尺度特征;S4：并行部分解碼器中獲取全局特征圖；S5：通過邊界感知模塊獲取邊界感知特征；S6：獲取分別關注息肉圖像不同區域的分割特征圖、分割特征圖和分割特征圖；S7：構建損失函數，最小化損失函數以優化基于邊界引導的多級注意力網絡的參數。生成清晰的息肉邊界。本發明有效融合低級特征和高級全局特征，實現了低?高級特征的互補，有效解決了模糊息肉邊界對模型的影響。

本發明授權一種基于邊界引導的多級注意力網絡的息肉圖像分割方法在權利要求書中公布了：1.一種基于邊界引導的多級注意力網絡的息肉圖像分割方法，其特征在于，包括：步驟S1：構建數據集，數據集包括若干息肉圖像；步驟S2：構建基于邊界引導的多級注意力網絡，基于邊界引導的多級注意力網絡包括金字塔視覺Transformer-PVT-v2骨干、多尺度特征提取模塊、并行部分解碼器、邊界感知模塊和基于邊界引導的多級注意力模塊，導入步驟S1中數據集的圖像至金字塔視覺Transformer-PVT-v2骨干，獲取圖像的多級特征，分別為第一多級特征、第二多級特征、第三多級特征和第四多級特征;步驟S3:導入步驟S2的圖像的多級特征至多尺度特征提取模塊，獲取壓縮通道的多尺度特征，分別為第一多尺度特征、第二多尺度特征、第三多尺度特征和第四多尺度特征;步驟S4：導入步驟S3的多尺度特征至并行部分解碼器中，獲取全局特征圖；步驟S5：通過邊界感知模塊先后對步驟S4的全局特征圖和步驟S3的多尺度特征、和使用加法操作獲取第二聚合特征;將步驟S3中的第一多尺度特征和第二聚合特征進行融合，獲取邊界感知特征；步驟S6：通過基于邊界引導的多級注意力模塊將步驟S5的邊界感知特征進行多級注意力的特征增強，獲取分別關注息肉圖像不同區域的分割特征圖、分割特征圖和分割特征圖；步驟S7：構建損失函數，最小化損失函數以優化基于邊界引導的多級注意力網絡的參數；步驟S5具體為：首先將全局特征圖與多尺度特征、和逐步相加，以補充下采樣過程中丟失的空間特征，最終生成第二聚合特征；然后，為了保留空間信息，將第一多尺度特征和第二聚合特征在通道維度上拼接，拼接后的特征經過一個卷積核大小為1的卷積操作進行特征交互，表示為： ； ；其中，表示在通道維度上拼接，表示卷積核大小為1的卷積操作，表示拼接特征，表示卷積拼接特征；之后，分別在空間維度和通道維度上計算注意力圖；在空間分支中，使用三個不同卷積核大小的并行卷積來增強模型的多尺度特征表示，獲取增強卷積拼接特征；并應用空間注意力進一步細化增強卷積拼接特征提供的邊界細節；在通道分支中，使用通道注意力來抑制卷積拼接特征引入的噪聲；將得到的空間注意力圖和通道注意力圖分別與原特征相乘，產生空間分支特征圖和通道分支特征圖，將空間分支特征圖和通道分支特征圖相加融合，生成邊界感知特征，表示為： ； ； ； ；其中，表示卷積核大小為3的卷積操作，表示卷積核大小為5的卷積操作，表示增強卷積拼接特征，表示空間分支特征圖，表示卷積核大小為7的卷積操作，表示加法操作，表示空間注意力，表示通道注意力，表示矩陣乘法，表示通道分支特征圖；步驟S6具體為：首先基于邊界引導的多級注意力模塊通過預測特征計算產生反向特征： ；其中，表示sigmoid激活函數，表示從矩陣中減去輸入的反向操作；然后，將預測特征、反向特征和邊界感知特征上采樣到與多尺度特征相同的空間分辨率；然后，將預測特征、反向特征、邊界感知特征和多尺度特征相乘，產生3個關注不同區域的注意力圖，表示為： ； ； ；其中，表示為上采樣操作，，和分別是預測特征、反向特征和邊界感知特征的注意力圖；將這三個注意力圖沿著通道維度拼接，并經過一個卷積核大小為1的卷積操作進行特征交互，生成結合特征，表示為： ；然后，計算結合特征的注意力圖，并將注意力圖與結合特征相乘來進一步突出息肉特征，并且使用一個殘差連接融合來自編碼器的特征，恢復損失的空間細節和語義信息，表示為： ；其中，表示結合特征的注意力圖；最后，多級注意力模塊先后通過CBAM模塊和卷積核大小為1的卷積操作來抑制特征中的噪聲，減少信息冗余，增強模型對息肉區域的關注，表示為： ； ；其中，表示預測的分割特征圖，表示CBAM模塊的抑制操作。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人江西師范大學，其通訊地址為：330000 江西省南昌市高新技術開發區紫陽大道99號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。