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！

龙图腾网获悉桂林电子科技大学申请的专利一种基于深度学习的轻量化人像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：CN115457263B 。

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：202210998603.X，技术领域涉及：G06V10/26；该发明授权一种基于深度学习的轻量化人像分割方法是由林镇源;张文辉;谢胜勇;蒋小莲;许轩瑞;刘晨旭设计研发完成，并于2022-08-19向国家知识产权局提交的专利申请。

本一种基于深度学习的轻量化人像分割方法在说明书摘要公布了：本发明公开一种基于深度学习的轻量化人像分割方法，利用其基于SegFormer与融合坐标注意力机制的MobileNetV3轻量级人像分割模型，以实现对人像进行分割。基于深度学习的轻量化人像分割模型用MobileNetV3网络取代了SegFormer编码器，同时对MobileNetV3网络进行改进，加入多层CA注意机制，提高人像分割的准确性，并将原来网络中的SEModul替换为CA，加快了训练时的拟合速度，减小了模型尺寸，抑制了冗余特征，提高了模型精度，最终输出准确的语义分割图像。通过实验进行对比，我们提出的SegFormer‑MobileNetV3网络相对于其他的轻量级网络，有着更准确的分割效果，同时也有着更快的分割效率。本发明可应用于人像抠图、线上会议、背景替换等人像图像处理方面的应用。

本发明授权一种基于深度学习的轻量化人像分割方法在权利要求书中公布了：1.一种基于深度学习的轻量化人像分割方法，其特征是，包括步骤如下： 步骤1、构建基于深度学习的轻量化人像分割模型； 该基于深度学习的轻量化人像分割模型由输入层、卷积坐标注意力层、3个块单元、4个多层感知层、卷积归一化与激活层、卷积层和输出层组成；输入层的输入作为基于深度学习的轻量化人像分割模型的输入；输入层的输出连接卷积坐标注意力层的输入；卷积坐标注意力层的一个输出连接第一块单元的输入，另一个输出连接第四多层感知层的输入；第一块单元的一个输出连接第二块单元的输入，第一块单元的另一个输出连接第三多层感知层的输入；第二块单元的一个输出连接第三块单元的输入，第二块单元的另一个输出连接第二多层感知层的输入；第三块单元的输出连接第一多层感知层的输入；4个多层感知层的输出同时连接卷积归一化与激活层的输入，卷积归一化与激活层的输出连接卷积层的输入；卷积层的输出连接输出层的输入；输出层的输出作为基于深度学习的轻量化人像分割模型的输出； 第一块单元由9个卷积归一化层、3个融合层和1个坐标注意力层组成；第一个卷积归一化层的输入作为第一块单元的输入，第一个卷积归一化层的输出连接第二个卷积归一化层的输入，第二个卷积归一化层的输出连接第三个卷积归一化层的输入，第三个卷积归一化层的输出连接第一个融合层的一个输入，第一个融合层的另一个输入连接第一个卷积归一化层的输入，第一个融合层的输出连接第四个卷积归一化层的输入；第四个卷积归一化层的输出连接第五个卷积归一化层的输入，第五个卷积归一化层的输出连接第六个卷积归一化层的输入，第六个卷积归一化层的输出连接第二个融合层的一个输入，第二个融合层的另一个输入连接第四个卷积归一化层的输入，第二个融合层的输出连接第七个卷积归一化层的输入；第七个卷积归一化层的输出连接第八个卷积归一化层的输入，第八个卷积归一化层的一个输出连接第九个卷积归一化层的一个输入，第八个卷积归一化层的另一个输出连接坐标注意力层的输入，坐标注意力层的输出连接第九个卷积归一化层的另一个输入，第九个卷积归一化层的输出连接第三个融合层的一个输入，第三个融合层的另一个输入连接第七个卷积归一化层的输入，第三个融合层的输出作为第一块单元的输出； 第二块单元由12个卷积归一化层、4个融合层和1个坐标注意力层组成；第一个卷积归一化层的输入作为第二块单元的输入，第一个卷积归一化层的输出连接第二个卷积归一化层的输入，第二个卷积归一化层的输出连接第三个卷积归一化层的输入，第三个卷积归一化层的输出连接第一个融合层的一个输入，第一个融合层的另一个输入连接第一个卷积归一化层的输入，第一个融合层的输出连接第四个卷积归一化层的输入；第四个卷积归一化层的输出连接第五个卷积归一化层的输入，第五个卷积归一化层的输出连接第六个卷积归一化层的输入，第六个卷积归一化层的输出连接第二个融合层的一个输入，第二个融合层的另一个输入连接第四个卷积归一化层的输入，第二个融合层的输出连接第七个卷积归一化层的输入；第七个卷积归一化层的输出连接第八个卷积归一化层的输入，第八个卷积归一化层的输出连接第九个卷积归一化层的输入，第九个卷积归一化层的输出连接第三个融合层的一个输入，第三个融合层的另一个输入连接第七个卷积归一化层的输入，第三个融合层的输出连接第十个卷积归一化层的输入；第十个卷积归一化层的输出连接第十一个卷积归一化层的输入，第十一个卷积归一化层的一个输出连接第十二个卷积归一化层的一个输入，第十一个卷积归一化层的另一个输出连接坐标注意力层的输入，坐标注意力层的输出连接第十二个卷积归一化层的另一个输入，第十二个卷积归一化层的输出连接第四个融合层的一个输入，第四个融合层的另一个输入连接第十个卷积归一化层的输入，第四个融合层的输出作为第二块单元的输出； 第三块单元由9个卷积归一化层、3个融合层和1个坐标注意力层组成；第三个卷积归一化层的输入作为第三块单元的输入，第一个卷积归一化层的输出连接第二个卷积归一化层的输入，第二个卷积归一化层的输出连接第三个卷积归一化层的输入，第三个卷积归一化层的输出连接第一个融合层的一个输入，第一个融合层的另一个输入连接第一个卷积归一化层的输入，第一个融合层的输出连接第四个卷积归一化层的输入；第四个卷积归一化层的输出连接第五个卷积归一化层的输入，第五个卷积归一化层的输出连接第六个卷积归一化层的输入，第六个卷积归一化层的输出连接第二个融合层的一个输入，第二个融合层的另一个输入连接第四个卷积归一化层的输入，第二个融合层的输出连接第七个卷积归一化层的输入；第七个卷积归一化层的输出连接第八个卷积归一化层的输入，第八个卷积归一化层的一个输出连接第九个卷积归一化层的一个输入，第八个卷积归一化层的另一个输出连接坐标注意力层的输入，坐标注意力层的输出连接第九个卷积归一化层的另一个输入，第九个卷积归一化层的输出连接第三个融合层的一个输入，第三个融合层的另一个输入连接第七个卷积归一化层的输入，第三个融合层的输出作为第三块单元的输出； 步骤2、利用已分割好的样本图像集对步骤1所构建的基于深度学习的轻量化人像分割模型进行训练，得到训练好的基于深度学习的轻量化人像分割模型； 步骤3、将待分割的图像送入到步骤2所得到的训练好的基于深度学习的轻量化人像分割模型中，训练好的基于深度学习的轻量化人像分割模型输出分割好的图片。

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桂林电子科技大学，其通讯地址为：541004 广西壮族自治区桂林市七星区金鸡路1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。