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！

龙图腾网获悉北京大学深圳研究生院申请的专利一种基于隐式图学习的光场显著性目标检测方法及装置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：CN116229222B 。

龙图腾网通过国家知识产权局官网在2026-02-10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：202211618605.8，技术领域涉及：G06V10/80；该发明授权一种基于隐式图学习的光场显著性目标检测方法及装置是由高伟;廖桂标;李革设计研发完成，并于2022-12-15向国家知识产权局提交的专利申请。

本一种基于隐式图学习的光场显著性目标检测方法及装置在说明书摘要公布了：本发明所提供的一种基于隐式图学习的光场显著性目标检测方法及装置，所述方法包括：将待测试的全聚焦图像和待测试的焦点堆栈图像输入预先训练的双流深层卷积网络，得到全聚焦特征图和焦点堆栈特征图；将所述全聚焦特征图和所述焦点堆栈特征图输入预先训练的轮廓感知模型，得到显著性预测结果和物体轮廓预测结果。本发明通过将待测试的全聚焦图像和焦点堆栈图像输入预先训练的双流深层卷积网络，促进了显著性特征的挖掘，并且，将全聚焦特征图和焦点堆栈特征图输入预先训练的轮廓感知模型，可以有效地聚合混合尺度的信息，进而得到准确的光场显著性目标检测结果。

本发明授权一种基于隐式图学习的光场显著性目标检测方法及装置在权利要求书中公布了：1.一种基于隐式图学习的光场显著性目标检测方法，其特征在于，包括： 将待测试的全聚焦图像和待测试的焦点堆栈图像输入预先训练的双流深层卷积网络，得到全聚焦特征图和焦点堆栈特征图； 将所述全聚焦特征图和所述焦点堆栈特征图输入预先训练的轮廓感知模型，得到显著性预测结果和物体轮廓预测结果； 所述双流深层卷积网络的训练步骤包括： 获取训练数据集，所述训练数据集中包括：全聚焦训练图像和焦点堆栈训练图像； 将所述全聚焦训练图像和所述焦点堆栈训练图像输入初始双流深层卷积网络，所述初始双流深层卷积网络包括全聚焦主干网和焦点堆栈主干网； 从所述全聚焦主干网输出全聚焦训练特征图，从所述焦点堆栈主干网输出焦点堆栈训练特征图，其中，为全聚焦主干网和焦点堆栈主干网的层数，取值为2,3,4,5； 根据所述全聚焦训练特征图建立全聚焦图，所述，其中，所述表示全聚焦图的邻接矩阵，所述表示全聚焦图的节点； 根据所述焦点堆栈训练特征图建立焦点堆栈图，其中，所述表示焦点堆栈图的邻接矩阵，所述表示焦点堆栈图的节点； 通过建模图神经网络建立和推理全聚焦图的节点之间的关系，并通过全聚焦图之间的连接来挖掘显著性特征表达，公式表达为： ； 其中，所述代表全聚焦图对应的可学习的权重矩阵，所述表示全聚焦图的对角度矩阵，所述表示基于全聚焦图的表达； 通过建模图神经网络建立和推理焦点堆栈图的节点之间的关系，并通过焦点堆栈图之间的连接来挖掘显著性特征表达，公式表达为： ； 其中，所述代表焦点堆栈图对应的可学习的权重矩阵，所述表示焦点堆栈图的对角度矩阵，所述表示基于焦点堆栈图的表达； 根据基于全聚焦图的表达得到基于隐式图学习的全聚焦图显著性特征表达，计算公式为：；其中，所述表示全聚焦图对应的自适应层，所述表示全聚焦图对应的转换矩阵，所述表示全聚焦训练特征图； 根据基于焦点堆栈图的表达得到基于隐式图学习的焦点堆栈显著性特征表达，计算公式为：；其中，所述表示焦点堆栈图对应的自适应层，所述表示焦点堆栈图对应的转换矩阵，所述表示焦点堆栈训练特征图； 利用隐式图损失函数促使焦点堆栈训练特征图学习的所述焦点堆栈显著性特征表达逼近所述全聚焦图显著性特征表达，计算公式为： ； 其中，所述代表损失函数，所述表示焦点堆栈主干网和全聚焦主干网的层数； 当训练epoch数达到第一预设值时，训练完成，得到已训练的双流深层卷积网络。

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北京大学深圳研究生院，其通讯地址为：518000 广东省深圳市南山区西丽大学城北大园区；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。