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！

龙图腾网获悉浙江大学申请的专利面向测试场景无掩码监督的小样本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：CN116824140B 。

龙图腾网通过国家知识产权局官网在2025-12-26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：202310719486.3，技术领域涉及：G06V10/26；该发明授权面向测试场景无掩码监督的小样本分割方法是由于云龙;陈善娟设计研发完成，并于2023-06-16向国家知识产权局提交的专利申请。

本面向测试场景无掩码监督的小样本分割方法在说明书摘要公布了：本发明公开了一种面向测试场景无掩码监督的小样本分割方法，所述方法具体包括如下步骤：获取用于训练深度神经网络模型的图像数据集；利用图像数据集构建的图像对及其掩码作为监督信号，通过交叉熵损失训练预先设计好的无需掩码的迭代优化深度神经网络模型；利用训练好的深度神经网络模型无需掩码监督输出待分割图像的预测掩码。本发明的方法适用于训练时能够提供大规模有标记数据，但测试时除了存在与待分割图像属于同一类别的其他图像外，没有任何密集标记信息的小样本分割任务，解决目前小样本分割任务中在推理时仍需要对新类图像进行密集标记的需求，在仅利用图像对的情况下获得不错的分割性能，尤其是对于单目标分割。

本发明授权面向测试场景无掩码监督的小样本分割方法在权利要求书中公布了：1.一种面向测试场景无掩码监督的小样本分割方法，其特征在于，包括以下步骤： S1、获取用于训练深度神经网络模型的图像数据集； S2、利用图像数据集构建的图像对及其掩码作为监督信号，通过交叉熵损失训练预先设计好的无需掩码的迭代优化深度神经网络模型，具体包括： S21、在训练深度神经网络模型时采用批量处理的方式，首先从图像数据集中随机采样一个批量的图像对样本集，其中批量大小预先给定； S22、将图像对样本集中的图像对输入特征提取器中得到支持图像和查询图像的特征图，其中L是特征提取器中各个模块层数总和； S23、将来自特征提取器最后一个模块的支持图像和查询图像的高层语义特征图通过掩码生成模块，利用相似度计算和跨注意力机制获得初始的支持预测掩码用于后续分割任务，并计算支持预测掩码与真实支持掩码值间的交叉熵损失； S24、将来自特征提取器最后两个模块的支持和查询特征的特征图输入到解码器中的特征增强模块，利用自注意力机制捕捉全局信息并对支持和查询特征进行增强； S25、将初始支持预测掩码和特征增强模块输出的支持和查询特征输入到解码器中的Transformer模块，其中查询特征作为Query，支持特征作为Key，作为Value，计算查询特征和支持特征间的相似度并对加权获得查询图像的初始预测掩码，将其与来自特征提取器前两个模块的查询和支持图像的底层特征融合后通过解码器获得查询预测掩码； S26、重复步骤S24，然后将S25步骤获得的查询预测掩码作为解码器中的Transformer模块的Value，支持特征作为Query，查询特征作为Key，计算得到支持图像的初始预测掩码，将其与来自特征提取器前两个模块的查询和支持图像的底层特征融合后通过解码器获得支持预测掩码； S27、重复迭代次步骤S24至S26，迭代结束后计算最后一次迭代得到的查询和支持预测掩码与真实掩码值间的交叉熵损失； S28、基于各个预测掩码与真实掩码间交叉熵损失得到总的损失函数为： 其中是预先设置的权重参数，用来表示这三个预测掩码的贡献； S29、根据得到的总的损失函数，使用Adam优化器或带动量的随机梯度下降优化器，以及反向传播算法训练深度神经网络模型； S3、利用训练好的深度神经网络模型无需掩码监督输出待分割图像的预测掩码。

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浙江大学，其通讯地址为：310058 浙江省杭州市西湖区余杭塘路866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。