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！

龍圖騰網恭喜浙江大學申請的專利使用生成式參數的層次性顯著建模的顯著性目標檢測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：CN114463614B 。

龍圖騰網通過國家知識產權局官網在2025-05-30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：202210087655.1，技術領域涉及：G06V20/00；該發明授權使用生成式參數的層次性顯著建模的顯著性目標檢測方法是由張文虎;鄭良立;李璽設計研發完成，并于2022-01-25向國家知識產權局提交的專利申請。

本使用生成式參數的層次性顯著建模的顯著性目標檢測方法在說明書摘要公布了：本發明公開了一種使用生成式參數的層次性顯著建模的顯著性目標檢測方法，用于在給定彩色圖像的情況下，對彩色圖像中的顯著物體做像素級的細粒度分割。該方法具體包括如下步驟：獲取訓練該任務的圖像數據集；建立用于提取彩色圖像的主干深度神經網絡；建立使顯著性層次建模策略對于輸入圖片更有適應性的層次信號生成模塊；建立用于對輸入圖像進行顯著性層次建模的顯著性層次模塊；基于前述模型結構進行預測模型訓練，并得到最終的訓練好的神經網絡模型。本發明適用于RGB場景下的顯著性目標檢測，面對各類復雜情況具有較佳的效果和魯棒性。

本發明授權使用生成式參數的層次性顯著建模的顯著性目標檢測方法在權利要求書中公布了：1.一種使用生成式參數的層次性顯著建模的顯著性目標檢測方法，其特征在于包括以下步驟：S1、獲取用于訓練顯著性目標檢測網絡的彩色圖像數據集，并對其梯度響應圖進行劃分；S2、基于主干深度神經網絡、層次信號生成模塊、以及多個顯著性層次模塊，構建形成顯著性目標檢測網絡，其中所述主干深度神經網絡用于提取輸入的RGB彩色圖像的圖像特征，所述層次信號生成模塊用于根據所述圖像特征生成使顯著性層次建模策略對于輸入的彩色圖像更有適應性的層次信號，所述多個顯著性層次模塊級聯連接，用于結合所述圖像特征和所述層次信號對輸入的彩色圖像進行顯著性層次建模，從而最終輸出顯著性目標分割圖；S3、基于所述彩色圖像數據集對構建的顯著性目標檢測網絡進行模型訓練，并利用最終訓練好的顯著性目標檢測網絡對待檢測的彩色圖像進行顯著性目標檢測；所述S1的具體實現步驟包括：S11、獲取彩色圖像數據集作為顯著性目標檢測網絡的訓練數據，其中的每一個訓練樣本均包括單幀彩色圖像Itrain以及對應人工標注的顯著目標分割圖Ptrain；S12、對于每一幀彩色圖像Itrain，將其輸入在ImageNet上預訓練過的ResNet-50模型中，獲取其對應的梯度響應圖Gsal，根據預設的閾值將Gsal劃分為互不重疊的N部分{p1,p2,…,pN}，其中N為彩色圖像Itrain的顯著性層級的數量；所述S2中，用于提取圖像特征的主干深度神經網絡由K層卷積塊級聯而成，所述卷積塊采用ResNet-50或VGG-16，其中第k層卷積塊的輸出經過編碼層編碼后得到圖像特征Fk，所有K層卷積塊對應的圖像特征組成{F1,F2,…,FK}。所述S2中，所述層次信號生成模塊中的具體流程如下：S211、層次信號生成模塊中先使用一個transformer解碼器來生成層次信號，transformer解碼器包含L個transformer解碼層，每一層transformer解碼層均按照順序計算輸入的圖像特征FK與可學習的查詢變量Q0的相似度，任意第l層transformer解碼層中的計算過程為：Ql＝MLPMCAMSAQl-1,FK，l＝1,2,…,L其中：Ql-1、Ql分別為第l-1層、第l層transformer解碼層輸出的計算結果，MSA·，MCA·，MLP·分別表示多頭自注意力模塊，多層互注意力模塊和多層感知機模塊；S212、在獲得最后一層transformer解碼層的輸出QL后，使用一個所有顯著性層級共享的MLP層將其映射成層次信號： 其中sn為第n層顯著性層級的顯著性信號，是QL的第n項；最終將所有顯著性層級的顯著性信號組合形成層次信號為{s1,s2,…,sN}；所述S2中，顯著性目標檢測網絡中共包含K個顯著性層次模塊，每個所述顯著性層次模塊包含N個分支，對應于N個顯著性層級；K個顯著性層次模塊按照級聯順序反序編號，位于最前端的為第K個顯著性層次模塊，位于最末端的為第1個顯著性層次模塊；對于任意第k個顯著性層次模塊，其中的流程具體如下：S221、顯著性層次模塊中先將輸入的特征使用分類器生成副語義掩碼： 其中，Hk為第k個顯著性層次模塊的輸入特征，其中級聯于最前端的顯著性層次模塊以圖像特征Fk為輸入特征，其余顯著性層次模塊以上一個顯著性層次模塊的輸出Hk-1為輸入特征；是副語義掩碼，softmax·是通道維度上的softmax計算，Conv3x3·是可學習的3×3卷積層；再將展開為N個不同語義層級對應的副語義掩碼每一個掩碼都代表著輸入圖像的不同語義層級；利用副語義掩碼將Hk劃分為N部分其中： 其中，表示逐元素相乘，表示第n個語義層級對應的特征；S222、基于S221中獲得的特征以及S212中獲得的層次信號{s1,s2,…,sN}，分別用每一個顯著性信號sn處理對應的第n個語義層級，通過將信號被轉化為網絡的卷積核并與特征進行計算： 其中*為2D卷積操作，為對顯著性信號sn使用轉化層生成的卷積核，為計算獲得的特征；S223、將主干深度神經網絡輸出的特征Fk-1與S222中獲得的特征聚合到一起： 其中，Hk-1表示第k個顯著性層次模塊的最終輸出，Concat·表示連接操作，k＝1時F0為空矩陣；第1個顯著性層次模塊的最終輸出H1經過3×3卷積層后輸出輸入圖像的顯著性目標分割圖

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浙江大學，其通訊地址為：310058 浙江省杭州市西湖區余杭塘路866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”。