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！

龙图腾网获悉华东师范大学申请的专利一种用于盲道场景的图像语义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：CN116363367B 。

龙图腾网通过国家知识产权局官网在2025-12-30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：202310343001.5，技术领域涉及：G06V10/26；该发明授权一种用于盲道场景的图像语义分割方法是由金子龙;宋佑祺;何高奇;林靖众;黄唯;方子祺设计研发完成，并于2023-04-03向国家知识产权局提交的专利申请。

本一种用于盲道场景的图像语义分割方法在说明书摘要公布了：本发明公开了一种用于盲道场景的图像语义分割方法，其特点是拉普拉斯金字塔纹理模块、拉普拉斯纹理自注意力模块和解码器构建的语义分割模型对盲道场景图像进行分割，所述模型包括：LPTT块、Segformer块和解码器；所述LPTT块通过纹理自注意提取层次清晰的底层特征；所述Segformer块提取精确的高级语义特征；所述解码器融合多层次的特征。本发明与现有技术相比具有较其他语义分割网络更低的复杂度，解决了广泛使用的语义分割网络对于盲道场景图像分割速度过慢的问题，并且在大量不同环境的实验中表现出和其他语义分割网络相当的分割精确度。

本发明授权一种用于盲道场景的图像语义分割方法在权利要求书中公布了：1.一种用于盲道场景的图像语义分割方法，其特征在于，采用拉普拉斯金字塔纹理模块、拉普拉斯纹理自注意力模块和解码器构建的语义分割模型对盲道场景图像进行分割，所述语义分割模型对盲道场景图像数据集进行标注，获得带标签数据；所述拉普拉斯金字塔纹理模块使用两个LPTT块分别输出两个低级别的语义特征图，利用自注意力机制学习图像数据，通过纹理自注意力提取层次清晰的底层特征，以补充纹理信息；所述拉普拉斯纹理自注意力模块提取精确的高级语义特征；所述解码器融合多层次的特征，输出语义分割掩膜图； 所述两个LPTT块分别输出两个低级别的语义特征图，其具体方法为：在任意一个LPTT块中，Segformer块首先生成原始的低级特征，然后，拉普拉斯纹理自注意力将纹理信息准确地传递到原始底层特征上，生成层次清晰的底层特征； 所述Segformer块包括： 1重叠切片嵌入：给定输入图像X,LPTT块1将重叠的方式重构为嵌入序列其中P为下采样率；D为Xe的阶数；在LPTT块1中设置P＝4,D＝32； 2自注意力机制：对于给定的嵌入序列Xe，自注意力参数[q,k,v]由下述a式进行多头自注意力计算，输出自我注意计算结果Xa： [q,k,v]＝[Wq,Wk,Wv]⊙Xea； 其中，[Wq,Wk,Wv]为三个学习的权重矩阵； 3混合前馈网络：混合前馈网络Xm直接在前馈网络中混合一个3×3的卷积提供位置信息，所述混合前馈网络Xm采用深度卷积，且由下述b式表示为： Xm＝MLPGELUConv3×3MLPXa+Xab； 其中，GELU表示激活函数；MLP为多层感知器；Conv3×3为卷积核； 所述拉普拉斯纹理自注意力将纹理信息准确地传递到原始底层特征上，生成层次清晰的底层特征，其生成过程如下： 1纹理信息搜索：采用下述c式计算相关系数矩阵Ri,j： 其中，Q＝Xm，Xm为未经纹理学习的原始特征图；Q.为Q的第i个特征向量；K为经重叠补丁嵌入后的L；L为拉普拉斯纹理图；K为K的第j个特征向量；所述K中的相关向量索引矩阵I由下述d式计算： 其中，I.表示K中哪个向量与Q.最相关；K为重叠补丁嵌入后的L； 2使用索引收集操作提取V中与Q强关联的纹理信息，即T.＝VC，其中V＝K为重叠补丁嵌入后的L；为与Q相关联的纹理特征；Q为未经过纹理学习的原始特征图； 3纹理信息传输：拉普拉斯纹理自注意力将Xm与搜索到的纹理特征t由下述e式进行融合，得到融合特征图G： e； 其中，Fold·是指将展开的Xm和T以分辨率进行折叠；H为图像高度；W为图像宽度；P为下采样率； 4使用下述f式的方程组强化强相关的后期纹理特征部分并弱化弱相关的纹理特征部分： FV＝Xm+G⊙FoldWf； 其中，FV是LPTT块1的最终输出特征图；W.为纹理亲和度矩阵。

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东师范大学，其通讯地址为：200241 上海市闵行区东川路500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。