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！

龙图腾网获悉华中科技大学申请的专利一种基于SECA的多尺度网络装置及其训练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：CN116664963B 。

龙图腾网通过国家知识产权局官网在2025-12-12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：202310755172.9，技术领域涉及：G06V10/77；该发明授权一种基于SECA的多尺度网络装置及其训练方法是由胡胜山;王江雄;李明慧;宋梅斌;张业超;万伟设计研发完成，并于2023-06-26向国家知识产权局提交的专利申请。

本一种基于SECA的多尺度网络装置及其训练方法在说明书摘要公布了：本发明公开了一种基于SECA的多尺度网络，其第1层为编码器层，其输入为3*H*W的的矩阵，最后输出大小为512*H16*W16、内容特征和风格特征的的隐藏向量，第2层为转换层，其包含n个SECA模块，输入为第1层输出的内容特征和风格特征的的隐藏向量，各个SECA模块接受不同大小的风格特征和同样大小的内容特征，输出不同高度和宽度的特征，然后通过向上缩放特征的操作将这些特征缩放到相同的高度和宽度，再融合起来，再结合Multi_level的策略，将不同层的特征向量分别通过转换后，经过一个融合层把不同层的风格化特征结合起来，最终输出512*H16*W16的风格化特征向量，第3层是解码器层，它的网络结构是第2层的镜像，输入为第二层输出的512*H16*W16的风格化特征向量，最终输出3*H*W的矩阵。

本发明授权一种基于SECA的多尺度网络装置及其训练方法在权利要求书中公布了：1.一种基于SECA的多尺度网络装置，其特征在于，其网络结构如下： 第1层为编码器层模块，其采用了预训练的VGG19模型中从开始到ReLU5_1的部分，其使用VGG模型的不同激活层特征的策略，即分别使用VGG19的ReLU4_1和ReLU5_1输出的特征分别通过Transform之后再进行融合，输入为3×H×W的的矩阵，最后输出大小为512×H16×W16、内容特征和风格特征的的隐藏向量，其中H表示输入图像的高度，W表示输入图像的宽度； 第2层为转换层模块，其包含n个SECA模块，其中n表示不同大小风格图片的个数，输入为第1层输出的内容特征和风格特征的的隐藏向量，各个SECA模块接受不同大小的风格特征和同样大小的内容特征，输出不同高度和宽度的特征，然后通过向上缩放特征的操作将这些特征缩放到相同的高度和宽度，再融合起来；再结合Multi_level的策略，将不同层的特征向量分别通过转换后，经过一个融合层把不同层的风格化特征结合起来，最终输出512×H16×W16的风格化特征向量；SECA模块的网络结构如下： 第一层，输入为内容图片的特征矩阵和风格图片的特征矩阵，输出Q，K，V三个特征矩阵； 第二层，输入为第一层输出的的特征矩阵Q和K，对其做矩阵乘法，输出注意力分数图； 第三层，输入为第二层输出的注意力分数图，对其进行归一化指数函数操作，以得到注意力权重图并输出； 第四层，输入为第三层得到的注意力权重图和第一层得到的特征矩阵，对和在空间上进行加权平均，以得到风格特征并输出； 第五层，输入为第二层输出的注意力分数图，选出每个风格特征最相关的内容特征并输出； 第六层，输入为第二层输出的注意力分数图，对第二层输出的注意力分数图进行Mask处理，仅保留第五层输出的内容特征，即注意力分数图中每列的最大值，并把中除最大值之外的其他值设置为极小的负数，输出为； 第七层，输入为第六层输出的，对进行Norm操作，以得到风格增强注意力图并输出； 第八层，输入为第七层输出的的风格增强注意力图和第三层输出的注意力权重图，对和进行混合，以得到新的注意力权重图并输出； 第九层，输入为第八层输出的新的注意力权重图，对新的注意力权重图加权平均样式特征，以得到最终的输出； 第3层是解码器层模块，它的网络结构是第2层的镜像，输入为第二层输出的512×H16×W16的风格化特征向量，最终输出3×H×W的矩阵。

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华中科技大学，其通讯地址为：430074 湖北省武汉市洪山区珞喻路1037号华中科技大学；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。