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！

龙图腾网获悉南京师范大学申请的专利一种基于多尺度特征融合与分割的视频时序动作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：CN119625610B 。

龙图腾网通过国家知识产权局官网在2025-09-12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：202411699854.3，技术领域涉及：G06V20/40；该发明授权一种基于多尺度特征融合与分割的视频时序动作分割方法是由郑智超;孔力;陈燚;刘海峰;张博;周俊生设计研发完成，并于2024-11-25向国家知识产权局提交的专利申请。

本一种基于多尺度特征融合与分割的视频时序动作分割方法在说明书摘要公布了：一种基于多尺度特征融合与分割的视频时序动作分割方法，包括多尺度时序特征生成分支、多尺度时序分割细化分支，以及具有自适应融合策略的跨尺度时序融合网络。多尺度时序特征生成分支采用由细到粗的特征生成策略，通过时序特征编码器和下采样操作逐步生成粗粒度时序特征。跨尺度时序融合网络通过自适应融合策略整合不同尺度的时序特征，有效建模动作之间的全局关联和局部上下文依赖。多尺度时序分割细化分支则采用由粗到细的分割细化策略，利用跨尺度时序融合网络输出的整合特征对错误的分割区域进行逐步修正，最终获得精细的时序分割结果。本发明能够对不同粒度的动作时序关联进行建模，显著提升长时序视频的分割精度和鲁棒性。

本发明授权一种基于多尺度特征融合与分割的视频时序动作分割方法在权利要求书中公布了：1.一种基于多尺度特征融合与分割的视频时序动作分割方法，其特征在于：包含三个核心模块： 多尺度时序特征生成分支，通过由细到粗的特征生成策略，结合时序特征编码器和下采样操作，逐步生成粗粒度的时序特征，突出动作的全局关联，同时保留必要的细节信息； 跨尺度时序融合网络采用自适应融合策略，将不同尺度的时序特征有机整合，有效建模动作间的全局关联与局部上下文依赖，增强特征的表达能力； 多尺度时序分割细化分支，利用融合网络输出的整合特征，采用由粗到细的分割细化策略，通过逐步修正错误分割区域，最终生成精细准确的时序分割结果； 所述多尺度时序特征生成分支包括由M个编码器和M-1个时序下采样层构成的多级结构，其中每个编码器包含L层编码层，通过时序特征编码器逐步生成由细到粗的时序特征； 每个编码器的特征通过时序下采样层生成更粗粒度的特征，并通过逐层增加的窗口大小实现多尺度特征建模，为长时序动作分割提供全局与细节兼顾的特征表达； 所述多尺度时序特征生成分支具体步骤如下： 多尺度时序特征生成分支由个编码器和个时序下采样层构成，每个编码器包含了个相同的编码层，每个编码层则包含两个基础模块：自注意力模块和前馈网络模块，自注意力模块在时序上对特征进行融合，利用帧与帧之间的相似性进行信息交互，前馈网络模块则通过非线性激活函数对输入进行特征变换，从而学习到与位置有关的时序关系，对于第个编码器，假设其中第层编码器的输入序列表示为： ； 其中表示输入序列的时序长度，则有： ； 其中是可学习的查询、键和值对应的矩阵，为了简化表示，后续的部分省略了除了的其他上标，在自注意力模块中，每个查询仅需计算其在窗口范围内的注意力分数： ； 其中是时序窗口的尺寸，和分别表示窗口的时序位置，自注意力模块写为： ； ； 前馈网络模块中由一个膨胀率为的一维膨胀时序卷积和一个ReLU激活函数构成，表示为 ； 其中是膨胀率为的卷积权重，综上，第个编码层的操作记为，形式化地描述成： ； ； ； 其中是实例归一化操作，在每个编码器中，初始窗口大小在每层中按指数规律增加，即，因此，多尺度时序特征生成分支可表示为： ； ； 其中是通过最大池化实现的时序下采样操作。

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师范大学，其通讯地址为：210000 江苏省南京市鼓楼区宁海路122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”。

以上内容由龙图腾AI智能生成。