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！

龙图腾网获悉大连理工大学申请的专利一种联合混合专家和曼巴模型的密集预测多任务学习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：CN120182791B 。

龙图腾网通过国家知识产权局官网在2025-07-25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：202510645139.X，技术领域涉及：G06V10/82；该发明授权一种联合混合专家和曼巴模型的密集预测多任务学习方法是由诸葛云志;余昕卓;张璐;卢湖川设计研发完成，并于2025-05-20向国家知识产权局提交的专利申请。

本一种联合混合专家和曼巴模型的密集预测多任务学习方法在说明书摘要公布了：本发明属于图像处理方法技术领域，公开了一种联合混合专家和曼巴模型的密集预测多任务学习方法，是一种基于解码器的新框架即参数感知的曼巴模型，为多任务学习环境中的密集预测设计，旨在利用状态空间模型的丰富且可扩展的参数来增强任务间的连接性。它具有双状态空间参数专家，能够集成并设定特定于任务的参数先验，捕捉每个任务的内在属性。本发明方法不仅促进了精确的多任务交互，还允许通过结构化的状态空间序列模型实现任务先验的全局整合。此外，本发明方法采用的采用多方向希尔伯特扫描方法构建多角度特征序列，从而增强序列模型对2D数据的感知能力。在常用的公开基准上的实验验证了所提出方法的有效性。

本发明授权一种联合混合专家和曼巴模型的密集预测多任务学习方法在权利要求书中公布了：1.一种联合混合专家和曼巴模型的密集预测多任务学习方法，其特征在于，具体如下： 1任务初级特征提取； 2参数感知的曼巴专家解码器； 对任务初级特征进行正则化来增强表达： Nt＝NormXt 其中，Norm为正则化操作，Xt为任务初级特征； 利用深度可分离卷积和激活层来处理局部信息： Mt＝ActDWConvNt 其中，DWConv为深度可分离卷积，Act为激活层； 经过线性层将特征Mt的通道维度映射为曼巴参数空间维度得到曼巴特征： xt＝LinearMt 其中，Linear为线性层； 2.1混合参数专家 在曼巴参数空间计算过程中将原始曼巴模型中的参数B和参数C的计算过程均替换为一种混合任务专家的计算； 使用曼巴参数空间中的卷积网络来获取多任务专家预测结果： 其中，I为专家的数量； 再对不同密集预测任务和不同专家之间依赖关系进行建模： 其中，Pool为全局池化操作，将空间维度压缩至1；Cat操作在通道上连接特征，得到特征 随后使用线性映射层将通道维度变换为专家的数量I，然后使用激活层以及函数Softmax对通道进行归一化处理，得到特定任务专家的权重该过程如下： 在训练阶段对专家权重添加噪声，同时通过选择TopK激活的专家作为最终的激活权重，该过程如下： 其中，N0,1为添加的噪声，Wnoise为线性映射权重，将任务特征映射为一个标量作为噪声的权重； 最后使用加权的方式来获得混合参数专家的特征： 其中，为对任务t的第i个专家的权重；对于曼巴模型中的参数B和参数C，得到以及下角标B和C代表两条混合专家特征计算路径； 2.2参数先验 为不同密集预测任务定义一组可学习的空间不变的先验参数，记为其中q为曼巴模型参数空间的维度；为曼巴模型的参数B′和参数C′添加该先验参数Pt，还要将Pt的空间维度进行扩张得到 P′t＝ExpandPt 其中，Expand操作将空间维度1变成曼巴的输入序列的长度L，为参数B′和参数C′添加可学习的先验参数和通过以下操作获得最终的参数B″和参数C″： 2.3其他参数计算 使用原始曼巴模型的参数计算方式计算曼巴的参数A、参数D和参数Δ； 2.4多向希尔伯扫描模块 设图像特征的尺度大小为H×W，寻找最小的正整数k使H≤2k且W≤2k，此时k为希尔伯空间的阶数；二维特征空间映射到一维希尔伯空间的变换如下： h1＝Hkx,y 其中，Hk为k阶的希尔伯空间变换公式，通过将序列化的特征绕特征中心连续90度旋转得到另外三种变换方法，记作： hd+1＝rotdh1，d∈{1,2,3} 其中，rotd操作为顺时针旋转90度d次的操作； 若H2k或W2k，则还要对变换进行裁切；具体方法为保留变换左下方的和图像大小相同的区域； 通过对曼巴特征xt，曼巴参数B、C、Δ同时进行四种希尔伯序列化变换： 然后使用标准的曼巴状态空间模型进行状态空间计算： 其中，SSM为标准状态模型； 最后通过对四个方向的状态空间结果进行加和并执行反希尔伯序列化得到状态空间的运算结果： 其中，为逆时针旋转90度d-1次的操作，outt为任务特征的输出； 2.5整合曼巴输出 将outt输入线性层来恢复进入曼巴参数空间前的通道数： Ot＝Linearoutt 使用经过正则化的任务初级特征Nt来计算门控调节权重： wt＝ActLinearNt 使用门控调节权重动态调节信息流，同时使用跳跃连接传递任务初级特征，得到参数感知的曼巴专家解码器的输出Et；该过程如下： Et＝wt·Ot+Xt 对不同尺度的曼巴专家解码器的输出Et，赋予下标1,2,3,4来代表视觉编码器输出特征所在的由浅至深的四个尺度，得到多任务多尺度特征Ht： 3任务解码器； 首先将多任务多尺度特征Ht中的所有尺度特征使用双线性插值算法进行空间对齐，插值分辨率为的分辨率： 其中，Bilinear是用于空间插值对齐的双线性插值算法； 接着对对齐的特征在通道上进行拼接得到Kt： 利用线性层对各尺度特征进行加权融合，使用卷积解码器解码预测，使用双线性插值算法恢复空间尺度至输入图像img的大小： Resultt＝BilinearConvLinearKt 对Resultt使用对应任务的后处理操作获得最终的预测结果： predictiont＝PostProcessResultt 其中，PostProcesst为任务t的从概率估计结果到标签预测结果的转换方法； 4多任务联合优化策略。

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大连理工大学，其通讯地址为：116000 辽宁省大连市甘井子区凌工路2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”。