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！

龙图腾网获悉南京信息工程大学申请的专利一种基于图卷积梯度引导的多分支协同显著性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：CN115546511B 。

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：202210691998.9，技术领域涉及：G06V10/46；该发明授权一种基于图卷积梯度引导的多分支协同显著性检测方法是由宋慧慧;吴泱;张开华设计研发完成，并于2022-06-17向国家知识产权局提交的专利申请。

本一种基于图卷积梯度引导的多分支协同显著性检测方法在说明书摘要公布了：本发明公开了一种基于图卷积梯度引导的多分支协同显著性检测方法。在相似度提取分支中，我们用CNN提取输入的一组图片的浅层和中层特征。在图卷积分支中，我们用GCN对这组图片进行特征提取，剔除背景噪声，得到平滑的深层特征。将此二分支高维特征进行融合，得到一组具备鉴别性的共识表示，再将此共识表示逐次与组内单张图片特征信息进行融合，得到一组高维图像级信息，利用反向传播中的梯度信息来引导模型关注具有鉴别性的特征。我们进一步利用坐标轴注意力机制，协助在引导深层信息指导上采样过程中恢复目标边界，最终获得协同显著性图。本发明的协同显著性检测算法在干扰目标多样、背景杂乱的场景中能显著地提高准确性和鲁棒性。

本发明授权一种基于图卷积梯度引导的多分支协同显著性检测方法在权利要求书中公布了：1.一种基于图卷积梯度引导的多分支协同显著性检测方法，其特征在于，基于各个图片组，所述各个图片组分别对应一个目标类型，且图片组中包含目标类型不同前景姿态的各样本图片；执行以下步骤A至步骤I，获得多分支协同显著性检测模型，之后，应用多分支协同显著性检测模型，获得图片组的目标类型图片； 步骤A：根据CNN网络，针对各个图片组，分别以图片组中的各个样本图片为输入、各图片组的底层信息共识特征为输出，构建浅层和中层特征提取模型；同时基于CNN网络，以各个组图片中各个单张样本图片为输入、图片组中各个单张样本图片底层特征为输出，构建底层特征提取模型； 步骤B：根据GCN网络，针对各个图片组，分别以图片组中的各个样本图片为输入、以各个图片组的高维语义级共识特征为输出，构建深层特征提取模型； 步骤C：分别以各图片组的底层信息共识特征、以及各个图片组的高维语义级共识特征，为输入、以各图片组的相似性共识特征为输出，构建特征融合模块； 步骤D：分别以各图片组的相似性共识特征、以及图片组中各个单张样本图片底层特征为输入、以组图片中各个单张图片高阶特征为输出，构建高阶特征融合模块；之后基于各个单张图片高阶特征，计算GCN网络局部反向传播最后一个图卷积层的各个单张图片正梯度； 步骤E：以GCN网络局部反向传播最后一个图卷积层的单张图片正梯度、以及各个图片组的高维语义级共识特征为输入、以图片组中各个单张图片诱导后的特征为输出，构建特征诱导模块； 步骤F：以各个单张图片诱导后的特征为输入、各单张图片的最终特征为输出，构建坐标轴注意力模块； 步骤G：以各单张图片的最终特征、以及各个单张图片的底层特征为输入，以各个单张图片的目标类型图片为输出，构建注意力保持模块； 步骤H：顺序连接浅层和中层特征提取模型、底层特征提取模型、深层特征提取模型、特征融合模块、高阶特征融合模块、特征诱导模块、坐标轴注意力模块、注意力保持模块，并结合GCN网络局部反向传播最后一个图卷积层的正梯度，构建接浅层和中层特征提取模型为输入端、以注意力保持模块为输出端、并且以包含目标类型不同前景姿态的各样本图片为输入、该各样本图片对应的各个单张图片的目标类型图片为输出的多分支协同显著性检测模型； 步骤I：基于包含目标类型不同前景姿态的各样本图片、以及各样本图片对应的各个单张图片的目标类型图片，以各样本图片为输入、目标类型图片为输出针对多分支协同显著性检测模型进行训练，获得各样本图片的目标类型图片。

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南京信息工程大学，其通讯地址为：210044 江苏省南京市浦口区宁六路219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”。