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！

龙图腾网获悉西安电子科技大学申请的专利基于边缘完整清晰性和双流网络的图像显著目标检测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：CN116758302B 。

龙图腾网通过国家知识产权局官网在2025-07-29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：202310533685.5，技术领域涉及：G06V10/46；该发明授权基于边缘完整清晰性和双流网络的图像显著目标检测方法是由王俊平;朱俊辉;焦青;樊盛辉;郭乾琳设计研发完成，并于2023-05-11向国家知识产权局提交的专利申请。

本基于边缘完整清晰性和双流网络的图像显著目标检测方法在说明书摘要公布了：本发明公开一种基于边缘完整清晰性和双流网络的图像显著目标检测方法，其实现步骤是：利用VGG16模型的特征提取模块作为双流深度网络的主干，其中第一特征提子网络提取多尺度信息和显著目标位置特征指导目标定位，第二层输出作为显著边缘提取分支，第三至第五层的输出作为显著目标提取分支，通过边缘增强模块融合第二特征提取子网络提取的完整边缘特征，提高目标边缘的清晰度和完整性；采用自定义损失函数迭代训练得到训练好的网络模型。本发明一定程度上克服了现有技术提取的显著目标边缘模糊及不完整的缺陷，提高了目标边缘的清晰度和完整性。

本发明授权基于边缘完整清晰性和双流网络的图像显著目标检测方法在权利要求书中公布了：1.一种基于边缘完整清晰性和双流网络的图像显著目标检测方法，其特征在于，构建由第一特征提取子网络和第二特征提取子网络组成双支流的深度学习网络，生成由二值交叉熵边缘损失函数和目标损失函数组成的总损失函数；该检测方法的步骤包括如下： 步骤1，构建第一特征提取子网络： 步骤1.1，构建位置特征融合模块，其结构包含第一降维卷积块、第二降维卷积块、第三降维卷积块；其中，第一至第三降维卷积块的结构相同，每个降维卷积块均由第一卷积层、第一激活层、第二卷积层、第二激活层、第三卷积层、第三激活层、上采样层串联组成；将第一至第三降维卷积块中第一至第三卷积层的卷积核大小均设置为3×3，填充数均设置为1，上采样层的分辨率分别设置为32×32、64×64、128×128，激活层均采用ReLU激活函数实现；将第一降维卷积块中的第一至第三卷积层的卷积核的通道数和数量均设置为512；将第二降维卷积块中的第一至第三卷积层的卷积核的通道数分别设置为512、256、256，卷积核的数量均设置为256；将第三降维卷积块的第一至第三卷积层的卷积核的通道数分别设置为256、128、128，卷积核的数量均设置为128； 步骤1.2，构建层间特征聚合模块，其结构包含第一聚合卷积块、第二聚合卷积块；其中，第一、第二聚合卷积块的结构相同，每个聚合卷积块均由第一卷积层、第一激活层、第二卷积层、第二激活层、第三卷积层、第三激活层、上采样层串联组成；将第一、第二聚合卷积块中第一至第三卷积层的卷积核大小均设置为3×3，填充数均设置为1，上采样层的分辨率分别设置为32×32、64×64，激活层均采用ReLU激活函数实现；将第一聚合卷积块的第一至第三卷积层的卷积核的通道数和数量均设置为512；将第二聚合卷积块的第一至第三卷积层的卷积核的通道数分别设置为512、256、256，卷积核的数量均设置为256； 步骤1.3，构建边缘增强模块，其结构包含边缘卷积块、第一升维卷积块、第二升维卷积块、第三升维卷积块；其中，边缘卷积块由第一卷积层、第一激活层、第二卷积层、第二激活层、第三卷积层、第三激活层串联组成；第一至第三升维卷积块结构相同，每个升维卷积块均由第一卷积层、第一激活层、第二卷积层、第二激活层、第三卷积层、第三激活层、最大池化层串联组成；将边缘卷积块中第一至第三卷积层的卷积核的大小均设置为3×3，填充数均设置为1，卷积核的通道数和数量均设置为128，激活层均采用ReLU函数实现；将第一至第三升维卷积块中的第一至第三卷积层的卷积核大小均设置为3×3，填充数均设置为1，池化层的池化核大小设置为3×3，步幅设置为2，填充数设置为1，激活层均采用ReLU函数实现；将第一升维度卷积块的第一至第三卷积层的卷积核的通道数分别设置为128、256、256，卷积核的数量均设置为256；将第二升维卷积块的第一至第三卷积层的卷积核的通道数分别设置为256、512、512，卷积核的数量均设置为256；第三升维卷积块中，第一至第三卷积层的卷积核的通道数和数量均设置为512； 步骤1.4，构建特征融合模块，其结构包含边缘融合卷积块，第一融合卷积块、第二融合卷积块、第三融合卷积块；其中，边缘融合卷积块由卷积层组成；第一至第三融合卷积块结构相同，每个融合卷积块均由第一卷积层、第一激活层、第二卷积层、第二激活层、第三卷积层、第三激活层、第四卷积层、上采样层组成；将边缘卷积块中第一卷积层的卷积核大小设置为1×1，填充数设置为1，卷积核的通道数设置为128，卷积核的数量设置为1；将第一至第三融合卷积块中第一至第四卷积层的每个融合卷积块均有将第三至第五融合卷积块中的第一至第四卷积层的卷积核大小均设置为3×3，填充数设置为1，上采样层的分辨率大小均设置为256×256，激活层均采用ReLU函数实现；将第一融合卷积块的第一至第四卷积层的卷积核的通道数均设置为256，卷积核的数量分别设置为256、256、256、1；将第二融合卷积块的第一至第四卷积层的卷积核的通道数均设置为512，卷积核的数量分别设置为512、512、512、1；将第三融合卷积块的第一至第四卷积层的卷积核的通道数均设置为512，卷积核的数量分别设置为512、512、512、1； 步骤1.5，将由VGG16模型为主干的第一特征提取模块与由ASPP空洞空间卷积池化金字塔组成的位置特征提取模块进行串联；位置特征题目模块输出的特征融入第一特征提取模块中的第二至第四卷积块输出分支，将第三至第四卷积块的输出特征与层间聚合模块进行串联，将第二卷积块的输出特征、层间聚合模块输出特征和边缘增强融合模块进行串联，边缘增强模块与特征融合模块进行串联后，得到第一特征提取子网络； 步骤2，构建第二特征提取子网络： 第二特征提取子网络由第一特征卷积块、第二特征卷积块、第三特征卷积块、第四特征卷积块、第五特征卷积块依次串联组成；将第一至第五特征卷积块参数与步骤1.1中所构建的第一特征提取模块的参数维持一致； 步骤3，构建双流深度网络： 步骤3.1，在第一特征提取子网络的边缘增强模块中连接第二特征提取子网络；将第二特征提取子网络的第三至第五卷积块输出的特征经过边缘增强模块进行相加融合； 步骤3.2，将边缘增强模块的输出经过特征融合模块输出一幅显著边缘检测预测图和三幅显著目标检测预测图；将显著目标检测预测图经过相加融合并激活后得到最终的图像显著目标图，完成图像显著目标检测双流深度网络的构建； 步骤4，生成训练集： 步骤4.1，将1幅彩色图像与其对应的1幅显著目标真值图组成样本，选取至少10553个样本组成样本集； 步骤4.2，分别生成每个样本对应的显著边缘真值图、灰度图、HC显著图、RC显著图； 步骤4.3，将样本集和每个样本对应的显著边缘真值图、灰度图、HC显著图、RC显著图进行预处理后组成训练集； 步骤5，训练双流深度网络： 将训练集输入到双流深度网络中，使用总损失函数计算显著边缘损失和显著目标损失的总损失，输出网络的总体损失值；通过反向传播总体损失值，利用自适应矩估计Adam优化器迭代更新网络节点的权重参数，直到总体损失值收敛，得到训练好的双流深度网络； 步骤6，对图像显著目标进行检测： 将待检测的彩色图像及其生成的灰度图、HC显著图和RC显著图输入到训练好的图像显著目标双流深度网络中，输出单通道显著目标灰度图像。

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西安电子科技大学，其通讯地址为：710071 陕西省西安市雁塔区太白南路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”。