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！

龙图腾网获悉陕西黄陵发电有限公司;西安热工研究院有限公司申请的专利一种基于特征先校正再融合的多模态显著性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：CN116363468B 。

龙图腾网通过国家知识产权局官网在2025-11-25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：202310320455.0，技术领域涉及：G06V10/80；该发明授权一种基于特征先校正再融合的多模态显著性目标检测方法是由李春光;何宇光;彭康利;宋红卫;秦琦;张强;金国强设计研发完成，并于2023-03-27向国家知识产权局提交的专利申请。

本一种基于特征先校正再融合的多模态显著性目标检测方法在说明书摘要公布了：本发明公开了一种基于特征先校正再融合的多模态显著性目标检测方法，包括两步样本选择策略获取高质量且与可见光图像前景对齐的深度图像作为可见光图像生成深度图像网络的训练目标，送入可见光图像生成深度图像网络获取高质量伪深度图像；深度特征校正模块对原始深度图像进行校正获得校正后的深度特征；多模态多尺度融合模块对提取的可见光图像特征和得到校正的深度图像特征进行跨模态融合充分挖掘两种模态的互补特征；采用浅层特征注入模块将浅层细节信息补充到深层特征获得更加具有辨别力的特征；具有辨别力的跨模态特征预测最终显著性图，获得显著性预测图；采用监督学习模型得到网络模型参数，获得完整且精细的显著性预测图。

本发明授权一种基于特征先校正再融合的多模态显著性目标检测方法在权利要求书中公布了：1.一种基于特征先校正再融合的多模态显著性目标检测方法，其特征在于，所述检测方法包括： 在图像生成阶段，对输入的可见光-深度图像对利用两步样本选择策略选择高质量和前景一致的深度图像作为图像生成网络的监督信息，重新训练图像生成网络，之后，将原始输入的可见光-深度图像对中的所有可见光图像输入训练好的图像生成网络中，获得高质量和前景一致的伪深度图像； 在显著性推理阶段，深度特征校正模块去利用提取到的伪深度特征对原始深度特征中包含的不可信信息进行校正； 深度特征校正模块，去充分利用生成的高质量和前景一致的伪深度图像去纠正包含在原始深度图像中的不可信信息，具体包括： 首先利用提取到的伪深度特征在通道维度重新加权原始深度特征进而抑制包含在原始深度特征中的不可信信息； 伪深度特征进一步通过空间注意力机制被应用去校正得到的初始深度特征，实现了显著性目标内容的一致性： 最后伪深度特征进一步被嵌入到增强的深度特征中，获得最终校正的深度特征； 在显著性推理阶段，浅层特征注入模块去利用深层特征生成权重对重要浅层细节特征进行选择，进而补充到深层特征中为了更准确的显著性预测； 在显著性推理阶段，多模态多尺度融合模块去充分挖掘和捕捉可见光图像和深度图像中的互补信息和跨模态融合特征的多尺度上下文信息；采用注意力机制整合跨模态融合特征获得最终的融合特征，进而通过解码器对编码特征进行解码特征； 多模态多尺度融合模块去充分挖掘可见光图像和深度图像中的互补信息和多尺度上下文信息，具体包括： 单模态RGB特征和单模态深度特征首先被拼接然后被送入一些卷积层去学习逐通道权重，根据学习到的逐通道权重，获得初始融合后的特征： 四个平行的带有不同卷积核大小的卷积被用在初始融合特征上，获得四个多尺度特征： ， 代表一个尺寸为大小的卷积层，m=3,5,7,9，为它们的参数，代表第i层不同尺寸的特征； 融合特征逐级进行解码预测最终显著性图，获得显著性预测图； 根据区域一致性感知损失函数，同时考虑了前景显著性目标的局部区域一致性和背景区域的一致性，联合交叉熵损失和基于交并比的损失函数进一步训练网络获得更加完整的显著性目标， 对显著性预测图采用监督学习模型得到网络模型参数； 浅层注入模块利用深层特征产生的权重对浅层重要的细节特征进行选择，并将选择后的特征注入到第三层特征中，获得增强的RGB特征，根据此过程获得第三层被增强的深度特征。

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陕西黄陵发电有限公司;西安热工研究院有限公司，其通讯地址为：727307 陕西省延安市黄陵县店头镇白石行政村；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。