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！

龙图腾网获悉南京理工大学申请的专利一种异常天气下基于类别分组的道路场景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：CN114299286B 。

龙图腾网通过国家知识产权局官网在2026-01-09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：202111480131.0，技术领域涉及：G06V10/26；该发明授权一种异常天气下基于类别分组的道路场景语义分割方法是由刘亚洲;王明设计研发完成，并于2021-12-06向国家知识产权局提交的专利申请。

本一种异常天气下基于类别分组的道路场景语义分割方法在说明书摘要公布了：本发明公开了一种异常天气下基于类别分组的道路场景语义分割方法，步骤如下：1准备数据；2将道路场景类别根据对异常天气下自动驾驶安全的重要性进行分组，保证重要类别与非重要类别分开，依据分组结果构建道路场景语义分割模型；21将类别根据对异常天气下自动驾驶安全的重要性进行分组；22依据类别分组结果构建模型；3输入数据到模型中，得到分割结果；31输入数据，提取数据特征；32获取全类别特征；33使用全类别特征编码类别关系，获取类别关系特征；34完成类别关系特征解码，获得分割结果；4模型迭代训练；5模型测试。本发明可保证在异常天气下重要分组的分割效果，最大程度的保证自动驾驶任务的安全进行。同时可以在异常程度较小的条件下，获得和正常模型相当的整体分割效果。

本发明授权一种异常天气下基于类别分组的道路场景语义分割方法在权利要求书中公布了：1.一种异常天气下基于类别分组的道路场景语义分割方法，其特征在于包括以下步骤： 1准备数据，包括异常天气下的模拟数据集和真实场景数据集，用于方法的训练和测试； 2将道路场景类别根据对异常天气下自动驾驶安全的重要性进行分组，保证重要类别与非重要类别分开，依据分组结果构建道路场景语义分割模型； 3输入数据到模型中，获得分组分割结果； 包括以下步骤： 31输入异常天气下的模拟数据和真实场景数据，提取数据特征；步骤31具体实现如下： 使用在ImageNet数据集上预训练过的膨胀ResNet50网络提取输入数据的特征F∈RC×h×w，其中C表示特征的通道数，h,w表示特征图的长和宽； 32获取全类别特征； 步骤32具体实现如下： 对提取的特征F∈RC×h×w使用1×1的卷积操作，获得通道数和总类别数相同的全类别特征FN；模型训练时，通过数据的真实标签对FN进行监督训练，保证全类别特征拥有所有类别的有效信息，损失函数公式表示为： 其中T表示像素点总数目，Yi表示真实标签，Pi表示全类别的预测值； 33使用全类别特征编码类别关系，获取类别关系特征； 步骤33具体实现如下： 在全类别特征FN上使用协方差通道注意力编码类别关系，首先在FN上使用两个1×1卷积生成两个原始的特征F1∈Rw×h×N,F2∈Rw×h×N，再通过图像协方差公式得到两个方向上的协方差矩阵Covw和Covh，经过标准化得到两个方向上的协方差注意力Ri,jw和Ri,jh，与两个原始的特征F1,F2相乘，再加上全类别特征FN得到编码类别关系信息的类别关系特征FC； 34完成类别关系特征解码，获得分割结果； 步骤34具体实现如下： 使用卷积层和上采样层构成的多头解码器解码类别关系特征FC，得到各个分组的分割结果；不同分组的分割结果表示为Pi∈Rw×h×k,i∈[1,4]，k表示每个分组所包含的类别数量；真实标签信息表示为Yi∈Rw×h×1,i∈[1,4]，利用加权的交叉熵损失对模型进行学习和优化，具体的损失函数公式如下： 其中T表示像素点总数目，h,w表示特征图的长和宽，ηi表示第i个分组的权重； 4训练模型，将数据集的训练集数据输入到构建的模型中，通过损失函数训练模型，得到训练完成的模型； 所述步骤4具体实现如下： 训练模型时，使用异常天气数据训练集的数据，将图像输入到模型中，得到不同类别分组的分割结果，根据定义的损失函数进行学习和优化，更新模型的参数；训练时需要将真实标签根据类别分组进行处理，通过将真实标签属中属于该分组的类别保留，其他分组类别的置为-1，获得了各个分组的真实标签数据，之后依据重要性进行加权训练，总的损失包括两部分：全类别特征损失以及最终的分割损失，具体公式为： 5测试模型，将数据集的测试集数据输入到训练完成的模型中，测试模型的整体效果。

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南京理工大学，其通讯地址为：210094 江苏省南京市孝陵卫200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。