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！

龙图腾网获悉北京印刷学院申请的专利一种基于CNN与Transformer深度交互融合双分支边缘检测方法及系统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：CN120635486B 。

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：202510923477.5，技术领域涉及：G06V10/44；该发明授权一种基于CNN与Transformer深度交互融合双分支边缘检测方法及系统是由姜锦浩;阳子婧;郭君豪设计研发完成，并于2025-07-04向国家知识产权局提交的专利申请。

本一种基于CNN与Transformer深度交互融合双分支边缘检测方法及系统在说明书摘要公布了：本发明公开了一种基于CNN与Transformer深度交互融合双分支边缘检测方法及系统，涉及计算机视觉和深度学习的技术领域，该方法包括：通过一个基于CNN的精细语义边缘分支，利用EfficientNet‑B2骨干网络提取多尺度的局部特征，并结合侧输出结构进行深度监督；同时，通过一个基于轻量化Transformer的全局上下文分支，采用高效局部注意力机制捕捉图像的长距离依赖关系；本发明的核心在于，设计并实现了一个跨注意力模块，将CNN分支提取的局部特征作为键Key和值Value，Transformer分支的特征作为查询Query，从而实现两个分支在特征层面的深度交互与融合，而非简单的特征拼接；此外，本发明还采用了一个由平衡二元交叉熵损失、焦点损失和Dice损失等动态加权组合的统一损失函数进行模型优化。

本发明授权一种基于CNN与Transformer深度交互融合双分支边缘检测方法及系统在权利要求书中公布了：1.一种基于CNN与Transformer深度交互融合双分支边缘检测方法，其特征在于，该方法包括： S1、基于卷积的精细语义边缘特征提取：通过一个基于卷积神经网络的精细语义边缘分支，提取输入的数字图像的多尺度局部特征；精细语义边缘分支在多个不同的网络层级后连接侧输出结构，生成多个侧输出边缘预测图； S2、基于Transformer的全局上下文信息建模：与S1并行，通过一个基于轻量化Transformer的全局上下文分支，将输入图像划分为一系列非重叠的图像块，通过多个Transformer模块进行序列化处理，生成全局上下文特征； S3、基于跨注意力机制的异构特征深度交互：通过一个跨注意力模块，将全局上下文分支生成的特征序列作为注意力计算中的查询Query，同时将精细语义边缘分支在至少一个层级提取的局部特征作为键Key和值Value，进行缩放点积注意力计算； S4、多源特征融合与最终边缘预测图生成：通过一个特征融合模块将S2生成的全局上下文特征经S3深度交互增强后与S1输出的精细语义特征图进行整合，通过一个边缘细化网络生成边缘预测对数图； S5、基于统一损失函数的模型优化与训练：在模型训练阶段，采用一个由多种损失分量动态加权组合的统一边缘检测损失函数，对边缘预测对数图以及多个侧输出边缘预测图进行联合优化； S1具体包括： S11、采用EfficientNet-B2网络作为特征提取的骨干网络，从该骨干网络的多个预设的中间特征层提取出一系列具有不同空间分辨率和语义层级的多尺度特征图； S12、将所提取的每一个多尺度特征图分别输入一个侧输出模块，侧输出模块包含一个特征细化网络、一个空间注意力网络以及一个边缘预测头；特征细化网络对每个多尺度特征图进行进一步的精细化处理；空间注意力网络强调图像中重要的区域并抑制不重要的区域；边缘预测头生成最终的边缘预测图；每个多尺度特征图对应一个预测结果； S13、所有侧输出模块生成的边缘预测图通过双线性插值上采样至与输入图像相同的尺寸，每一个上采样后的对数图会根据一组可学习的融合权重参数进行逐个加权，权重参数通过softmax函数进行归一化； S14、将所有加权后的对数图在通道维度上进行融合，得到一个融合特征图，将该融合特征图输入到一个由深度可分离卷积和标准卷积构成的融合卷积网络，最终生成一个32通道的特征图。

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北京印刷学院，其通讯地址为：102600 北京市大兴区兴华大街1号(二段)；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。