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！

龙图腾网获悉广东工业大学申请的专利针对RGB-D图像的显著目标检测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：CN116597169B 。

龙图腾网通过国家知识产权局官网在2026-01-06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：202310434477.X，技术领域涉及：G06V10/46；该发明授权针对RGB-D图像的显著目标检测方法是由王丰;吴文介设计研发完成，并于2023-04-21向国家知识产权局提交的专利申请。

本针对RGB-D图像的显著目标检测方法在说明书摘要公布了：本发明的目的在于提供一种针对RGB‑D图像的显著目标检测方法，包括：按指定数量采样RGB图和深度图样本，形成采样数据，并采用数据增强技术对所述采样数据进行预处理，得到待处理数据；特征提取阶段的各层跨模态融合中，使用注意力机制推理显著区域，以确定不同区域的显著性程度，各层次融合得到低级特征和高级特征；对所述高级特征和所述低级特征进行拼接和卷积操作，得到RGB特征和深度特征的联合特征；根据所述RGB特征和深度特征的联合特征动态分配RGB图和深度图特征的权值，得到显著目标检测模型；根据所述显著目标检测模型实现显著目标检测结果。本发明所述的方法能够较好的检测出显著目标，应对深度图对比度低的场景。

本发明授权针对RGB-D图像的显著目标检测方法在权利要求书中公布了：1.一种针对RGB-D图像的显著目标检测方法，其特征在于，包括： 按指定数量采样RGB图和深度图样本，形成采样数据，并采用数据增强技术对所述采样数据进行预处理，得到待处理数据； 特征提取阶段的各层跨模态融合中，使用注意力机制推理显著区域，以确定不同区域的显著性程度，各层次融合得到低级特征和高级特征； 在特征引导中，对所述高级特征和所述低级特征进行拼接和卷积操作，得到RGB特征和深度特征的联合特征； 根据所述RGB特征和深度特征的联合特征动态分配RGB图和深度图特征的权值，得到显著目标检测模型； 根据所述显著目标检测模型实现显著目标检测结果； 所述根据所述RGB特征和深度特征的联合特征动态分配RGB图和深度图特征的权值，得到显著目标检测模型，包括： 所述联合特征经过权值分配得到RGB特征和深度特征对最终预测的贡献度权重； 将所述贡献度权重与所述联合特征进行乘法运算，并经过解码器得到最终的显著预测图； 将所述显著预测图与标签真值进行损失函数计算，并采用梯度下降法更新特征提取网络，且当特征提取网络损失值达到收敛时，得到所述显著目标检测模型； 对所述联合特征[FR;FD]进行卷积、归一化和Relu函数激活； 经过4×4平均池化后，在通道维度对联合特征特征进行展平； 得到由两个权重值PR、PD组成的向量WP，分别表示联合特征中FR、FD的贡献度；并利用如下公式得到输入特征矩阵FAll： 将FAll的值输入到解码器中，输出最终的显著图预测值Ipred 并且，对所述联合特征[F;F]在通道维度求和，得到一个单通道矩阵P；并利用如下公式获取距离矩阵D 分别对通道数在0≤kC和C≤k2C两个范围内分别获取距离平均值，得到第一平均距离值D和第二平均距离值D 通过下述公式得到向量W对应的真值WGT的两个元素： 采用L1损失函数计算W和WGT的L1距离，通过下述公式来计算损失值 其中，i表示权重个数；FR、FD分别为RGB图和深度图各自对应的最终特征； 所述采用梯度下降法更新特征提取网络，包括： 采用混合损失函数来监督所述显著目标检测模型训练，包括二元交叉熵损失函数、并交比损失函数、损失函数； 所述的混合损失函数设计如下： ； 其中，为二元交叉熵损失函数，为交并比损失函数，分别表示加权系数； 所述二元交叉熵损失函数的定义为：； 所述并交比损失函数定义为： ； 其中，为真值标签，的取值为{0,1}，其中0表示非显著区域，1表示显著区域；为预测值；x,y代表当像素点位置；代表真值标签当中的第x行y列的像素点值；代表预测值标签当中的第x行y列的像素点值。

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东工业大学，其通讯地址为：510062 广东省广州市越秀区东风东路729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。