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！

龙图腾网获悉重庆理工大学申请的专利一种基于蛇形卷积的图像语义分割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：CN119107453B 。

龙图腾网通过国家知识产权局官网在2025-07-22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：202411068041.4，技术领域涉及：G06V10/26；该发明授权一种基于蛇形卷积的图像语义分割方法是由肖汉光;黄霄璇;周沸忠;杨志营设计研发完成，并于2024-08-06向国家知识产权局提交的专利申请。

本一种基于蛇形卷积的图像语义分割方法在说明书摘要公布了：本发明公开了一种基于蛇形卷积的图像语义分割方法，涉及人工智能的图像处理与计算机视觉技术领域。本发明通过方法的设计获得一种新的快速、高效、精确的图像分割模型DSM‑Net；DSM‑Net使用对称编码－解码架构有效地进行特征提取和上采样，实现端到端的像素级别预测；其中，编码阶段结合了蛇形卷积EncoderDS，能够线性调整卷积核位置来充分学习物体特征；采用融合池化结合卷积与池化高效传递编码器提取的有效特征；混合注意力模块来对空间和通道进行建模，促使网络关注于不同的局部结构特征并实现高效特征拟合能力；整体架构的合理搭建大大减少了训练成本，合理的网络深度与内部模块设计解决了因分割目标存在形态分布、大小差距过大而导致分割精度较低的问题。

本发明授权一种基于蛇形卷积的图像语义分割方法在权利要求书中公布了：1.一种基于蛇形卷积的图像语义分割方法，其特征在于：至少包括以下步骤： S1：将收集到的彩色眼底数据进行批量化数据预处理； S2：将数据进行无交叉的数据集划分； S3：设计用于精确分割的损失函数； S4：设计基于蛇形卷积的分割模型； S5：训练分割模型并进行分割验证，分割模型训练完成，通过训练完成的分割模型完成对图像语义的分割； 所述分割模型为DSM-Net模型，所述分割模型包括蛇形卷积编码器、混合注意力模块和融合池化模块； 所述蛇形卷积编码器包括传统卷积和蛇形卷积，所述传统卷积用于对常规目标进行捕捉，所述蛇形卷积用于进一步提取不同物体的形态特征，进而提取更深层次语义特征； 所述蛇形卷积编码器通过调整卷积核的形状来跟踪不同的结构； 所述蛇形卷积编码器的操作包括两个3×3卷积操作和两个方向的蛇形卷积操作； 所述蛇形卷积编码器的应用至少包括以下步骤： 首先，ton过一个3×3核的卷积层生成一个平滑的特征映射； 同时，将原始特征图通过蛇性卷积在x和y方向上进行线性偏移和特征提取卷积运算，得到的平滑特征图与两个方向的蛇卷积响应图融合； 所述响应图包括物体的原始特征和蛇形卷积层提取的拓扑信息； 最后，将融合后的特征经过另一个3×3核卷积层进行进一步融合和通道数调整； 最终输出包括两个平滑卷积核提取的滑动卷积信息和融合自适应变换蛇形卷积这两个基本组成部分，进而得到的血管结构特征，参阅下式： Fout＝ConvDSC_xFin⊙DSC_yFin⊙ConvFin 公式中Fin为输入特征图，Fout为输出特征图，⊙为连接，Conv为3×3卷积操作后的批归一化和ReLU激活，DSCx和DSCy分别表示x轴和y轴上的动态蛇形卷积； 所述融合池化模块至少包括一个2×2卷积和池化模块； 所述融合池化模块的应用至少包括以下步骤： 先将输入特征图通过一个2×2卷积将通道数不变以保持原有细微特征信息； 随后将卷积得到的结果作为进行最大池化与平均池化，池化操作在保留有效信息的同时有效地降低了特征维数； 针对池化导致的特征信息，将下采样操作分为两个分支，其中一个分支采用融合池来结合了最大池化和平均池化来保证有效的特征提取，而且在另一个分支中引入了卷积操作； 卷积操作使用内核大小为2，并将步长设置为2，从而增加了池化操作的可学习性，且这种卷积操作可以通过参数调整来学习，显著地保留了细微特征信息，并产生了与池化操作大小相同的特征图； 最后，对两个特征映射进行等权融合，极大地保留了薄血管的特征信息。

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重庆理工大学，其通讯地址为：400054 重庆市巴南区红光大道69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”。