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！

龙图腾网获悉广州大学申请的专利基于特征融合和语义边界约束的轻量级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：CN116486073B 。

龙图腾网通过国家知识产权局官网在2026-01-02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：202310305969.9，技术领域涉及：G06V10/26；该发明授权基于特征融合和语义边界约束的轻量级语义分割方法是由李亚;李梓铭;刘会旺设计研发完成，并于2023-03-24向国家知识产权局提交的专利申请。

本基于特征融合和语义边界约束的轻量级语义分割方法在说明书摘要公布了：本发明提出了一种基于特征融合和语义边界约束的轻量级语义分割方法，方法包括：特征融合模块融合来自编码器深层到浅层的特征图；根据特征融合阶段生成的特征图，计算联合语义分割损失；语义边界监督模块对解码器生成的中间特征进行语义边界监督；通过语义分割损失和语义边界损失优化网络。本发明通过强调网络感兴趣的信息同时抑制不相关的信息来桥接不同阶段的语义鸿沟，从而有效融合不同阶段的特征信息，提高分割精度。为了进一步优化语义边界的精度，本发明提出了一个语义边界监督模块，该模块通过使用从真实标签中提取的语义边界来约束网络预测的语义边界，从而提高网络的语义边界预测精度。

本发明授权基于特征融合和语义边界约束的轻量级语义分割方法在权利要求书中公布了：1.基于特征融合和语义边界约束的轻量级语义分割方法，其特征在于，所述方法包括： S1、特征融合模块融合来自编码器深层到浅层的特征图； S2、根据特征融合阶段生成的特征图，计算联合语义分割损失； S3、语义边界监督模块对解码器生成的中间特征进行语义边界监督； S4、通过语义分割损失和语义边界损失优化网络； 所述步骤S1的具体包括： S1.1：编码器接收原始输入图像，依次经过编码器浅层到深层4个阶段的处理，分别输出阶段1到4的具有不同分辨率的特征图，即：阶段1特征图，阶段2特征图，阶段3特征图和阶段4特征图； S1.2：阶段5的特征融合模块接收所述阶段3特征图和所述阶段4特征图作为输入，对两个输入进行局部特征提取以及维度对齐： 其中，阶段3特征图的分辨率比阶段4特征图大，通道维度数量比阶段4特征图少；表示3*3的卷积操作，用于调整特征图的通道数，使两个输入的特征图通道数一致；和分别表示上采样操作和下采样操作，用于使得两个输入的特征图空间尺寸一致； S1.3：对维度对齐后的特征图进行不同维度的上下文信息提取： 其中，，分别表示空间池化操作和通道池化操作，其作用是分别提取空间维度的上下文信息和通道维度的上下文信息，空间池化由最大池化实现，通道池化由平均池化实现；和分别表示对维度对齐后的浅层特征深层特征进行通道池化后的结果；和分别表示对维度对齐后的浅层特征和深层特征进行空间池化后的结果； S1.4：交叉融合输入的各维度上下文信息，组合成更丰富的上下文表示： 其中，表示矩阵乘法运算；表示融合了低分辨率特征图空间池化结果和高分辨率特征图通道池化结果的上下文增强表示；表示融合了高分辨率特征图空间池化结果和低分辨率特征图通道池化结果的上下文增强表示，特征尺寸与一致； S1.5：通过S1.4生成的两个上下文增强表示，生成特征融合所需的注意力权重： 其中，为通道维度的串联操作；为注意力权重生成模块；为阶段3和阶段4特征的上下文增强表示经过注意力权重生成模块生成的注意力权重，所述注意力权重与S1.2对齐后的特征图尺寸一致，且取值范围为0到1； S1.6：通过移动平均的方式，使用注意力权重融合对齐后的特征图： 其中，⊙表示哈达玛积运算；为阶段3特征图和阶段4特征图融合后得到的特征图，尺寸与S1.2对齐后的特征图尺寸一致； S1.7：生成阶段6和阶段7的融合特征图： 其中，特征融合模块操作，即S1.1~1.6的操作，的第一个参数接收的是来自浅层的高分辨率特征图，第二个参数接收的是来自深层的低分辨率特征图；和分别表示阶段6和阶段7生成的特征图。

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广州大学，其通讯地址为：510006 广东省广州市大学城外环西路230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。