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！

龙图腾网获悉四川大学申请的专利基于并行多尺度细节和语义编码的轻量化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：CN119494952B 。

龙图腾网通过国家知识产权局官网在2025-10-17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：202311048978.0，技术领域涉及：G06V10/25；该发明授权基于并行多尺度细节和语义编码的轻量化分割方法是由任超;刘晓;王正勇;何小海;熊淑华;吴晓红设计研发完成，并于2023-08-21向国家知识产权局提交的专利申请。

本基于并行多尺度细节和语义编码的轻量化分割方法在说明书摘要公布了：本发明公开了一种新的多尺度空间细节和语义背景的提取方法，通过并行多尺度细节和语义编码网络，进而构建一种高效的、适合资源有限设备的图像语义分割方法。主要包括以下步骤：训练轻量化语义分割神经网络模型；将原始图像作为输入，通过上一步骤中训练的网络模型，得到具有感兴趣区域突出的掩膜。本发明所述方法可以从城市场景图像中分割出感兴趣区域，是一种有效的图像语义分割方法。

本发明授权基于并行多尺度细节和语义编码的轻量化分割方法在权利要求书中公布了：1.基于并行多尺度细节和语义编码的轻量化分割网络ParallelMulti-ScaleDetailandSemanticEncodingNetwork,PMDSEN，其特征在于训练轻量化语义分割卷积神经网络模型，然后将原始图像作为输入，通过步骤一中训练的卷积神经网络模型，得到具有感兴趣区域突出的掩膜； 该卷积神经网络主要包括分层金字塔特征提取器HierarchicalPyramidModule,HPM、多尺度语义提取器Multi-scaleSemanticExtractor,MSSE和语义注入与空间恢复单元SemanticInjectionandSpatialRecovery,SISR三个部分；首先，通过HPM对输入的图像进行分层特征提取，得到图像多尺度特征；然后，通过MSSE提进一步取细节空间信息和宏观语义信息；最后，通过SISR使用动态加权特征融合DynamicWeightFeatureFusion,DWFF方法逐步融合浅层和深层特征，从而解码出具有感兴趣区域突出的图像掩膜； 对于任意图像输入输出为H、W、CLASS分别表示图像的高、宽以及分割类别数，网络总体实现基于如下过程： {FSHALLOW,FMIDDLE,FDEEP}＝fHPMI1 FDEEP′＝fMSSEFDEEP2 ISEG＝fSISR{FSHALLOW,FMIDDLE,FDEEP′}3 其中，fHPM·表示HPM提取器，其输出的分层多尺度特征表示为{FSHALLOW,FMIDDLE,FDEEP}；fMSSE·表示MSSE提取器，其输出的特征表示为FDEEP′；fSISR·表示SISR单元，它结合输入的分层特征逐渐解码出最终的分割映射； 核心部分HPM的实现基于如下过程：核心部分HPM的实现基于并行多尺度细节和语义编码单元ParallelMulti-scaleDetailandSemanticEncoding,PMSDSE，对于给定输入特征PMSDSE生成输出特征 其中，Linear·表示线性层，MSLRI·表示多尺度长范围上下文信息Multi-scaleLarge-rangeContextInformation,MSLRI提取器，LDI·表示局部细节信息LocalDetailInformation,LDI提取器，Concata,b表示串联a,b操作，Shuffle·表示通道打乱操作； MSLRI·的实现基于如下过程： FMSLRI＝ConcatLinearConcaty1,y2,y3,y4,X′7 其中，X′和FMSLRI分别表示MSLRI·的输入和输出特征，FAL·表示特征聚合层FeatureAggregationLayer,FAL，可通过深度可分离卷积来实现； LDI·的实现基于如下过程： FLDI＝LDELX′8 其中，X′和FLDI分别表示LDI·的输入和输出特征，LDEL·表示局部细节编码层LocalDetailEncodingLayer,LDEL，可通过深度可分离卷积来实现；Concat·,·表示特征串联操作； 核心部分MSSE的实现基于如下过程：对于给定输入特征MSSE生成输出特征 FMSSE＝Y+LinearConcaty1,y2,y3,y410 其中，P-Li·表示池化-线性层Pool-Linear,P-L操作，↑表示上采样操作； 核心部分SISR的实现基于如下过程：它主要包含两个模块：PMSDSE和DWFF，来自MSSE的特征逐步上采样并与来自HPM的分层特征逐步融合，逐渐恢复出空间精细和语义明确的输出特征，即具有感兴趣区域突出的分割掩膜，DWFF的实现基于如下过程：假设来自HPM和MSSE的特征分别表示为Z1和Z2， 其中，GAP·表示全局平均池化GlobalAveragePooling,GAP操作，Split·表示特征沿通道分离操作，和代表自适应分配的权重，Z1，Z2代表浅层和深层双特征流，ZSISR代表最终动态加权融合的特征。

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四川大学，其通讯地址为：610065 四川省成都市武侯区一环路南一段24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。