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！

龙图腾网获悉浙江大学申请的专利一种面向视觉大模型的解耦优化算法及系统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：CN117011525B 。

龙图腾网通过国家知识产权局官网在2026-02-06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：202310880957.9，技术领域涉及：G06V10/26；该发明授权一种面向视觉大模型的解耦优化算法及系统是由宋杰;陈琳;周林云;冯尊磊;宋明黎设计研发完成，并于2023-07-18向国家知识产权局提交的专利申请。

本一种面向视觉大模型的解耦优化算法及系统在说明书摘要公布了：一种面向视觉大模型的解耦优化算法和系统，其算法包括以下步骤：1提取类别语义特征；2类别语义特征优化；3根据类别语义信息压缩模型参数。本发明找到与特定任务相关的类别语义信息，取代交互式大模型的提示信息，完成特定任务解耦，同时通过增加硬编码，从而完成对模型架构的缩减与整体网络性能的优化。

本发明授权一种面向视觉大模型的解耦优化算法及系统在权利要求书中公布了：1.一种面向视觉大模型的解耦优化算法，包括以下步骤： 1图像数据构建； 基于特定图像分割任务，构建图像分割数据集，其中包括图像数据以及与图像对应的分割标注； 2提取类别语义特征； 基于需要解耦的特定任务，利用得到的预训练模型针对特定类别得到初始化类别语义；具体步骤如下： 首先利用预训练模型在训练集所有数据上进行推理，利用第一次融合图像特征之后的提示信息进行语义信息初始化，其中的计算方式如下： k，v＝MLP1x，MLP2x，1 q＝MLPm，2 其中x为经过图像编码器处理之后的图像特征，m代表经过特征编码之后的提示信息；通过融合，图像特征中与提示信息更相似的信息被汇聚到中，包含特定类别特征中的语义信息；因此对于特定类别的初始化语义特征query定义如下： 其中J为训练集样本总数，query定义为可学习参数，用得到的结果对类别语义特征query初始化； 3类别语义特征优化； 用类别语义信息query替换位置提示信息，达到类别解耦的目的，同时去除额外的位置交互；固定网络，通过微调类别语义信息使得语义更适配类别特征；在训练时，通过交叉熵损失与均方误差损失优化query： 其中，BCEloss为二元交叉熵损失，MSEloss为均方误差损失，predict为模型预测结果，GT为分割图像的真实标签，iou_predict为预测图像的置信度，miou为平均交并比，用来调节交叉熵损失和均方误差损失函数的比例，使得模型找到最优的类别语义信息； 4根据类别信息压缩模型参数； 得到优化后特定类别语义之后，在ImageEncoder图像编码器中增加硬掩码对架构进行缩减；在得到硬掩码之前，首先需要获得软掩码S；在输入特征进行自注意力计算阶段，增加软掩码S参与模型计算，其计算过程如下： 其中，软掩码S初始化为全1可学习参数，为经过自注意力运算后的结果；同时，在进行全连接特征融合阶段，计算方式如公式6、公式7；在微调软掩码S时，固定网络参数，只优化软掩码S；为了保证学习到的软掩码S尽量稀疏，同时保证最终分割结果尽量和原始结果保持一致，在微调阶段，引入如下损失： LBCE＝BCElosspredict，GT，9 LMSE＝MSElossioupredict,miou，10 LL1＝L1LossS，11 Loss＝LBCE+αLMSE+βLL1，12 其中在L1Loss的约束下，使得S中的参数尽量多为0，达到使得软掩码S尽量稀疏的效果；α，β用来权衡不同损失之间的比例，使得模型能够优化到较好结果； 在得到软掩码S后，选取阈值u将软掩码转化为硬掩码，通过此方式达到减少计算量的目的，其计算方式如下： 得到硬掩码Shard后，对模型参数完成压缩操作；在网络中计算MLP时，将硬掩码与之相乘。

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浙江大学，其通讯地址为：310058 浙江省杭州市西湖区余杭塘路866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。