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！

龙图腾网获悉江南大学申请的专利一种基于改进双流特征提取网络的实时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：CN116524190B 。

龙图腾网通过国家知识产权局官网在2026-02-17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：202310524410.5，技术领域涉及：G06V10/26；该发明授权一种基于改进双流特征提取网络的实时语义分割方法是由曹毅;张小勇;李杰;叶培涛;叶凡设计研发完成，并于2023-05-11向国家知识产权局提交的专利申请。

本一种基于改进双流特征提取网络的实时语义分割方法在说明书摘要公布了：本发明提供的一种基于改进双流特征提取网络的实时语义分割方法，其构建了实时语义分割网络对待处理图像数据进行语义分割，实时语义分割网络为双流特征提取网络，其输入端特征图来源分别是语义路径中三种不同分辨率的特征图，这样既能避免重复计算、降低模型参数量，还可以加深各路径间特征信息的关联性，使网络模型具有更好的多尺度特征信息融合效果。通过设计空间特征信息增强模块，改变空间路径输入特征信息，完成了传统双流特征提取网络的优化，确保还原足够的空间特征细节信息用于预测任务，同时确保本发明技术方案能够在实验环境下进行实时分割，使语义分割算法能够更灵活的适用于不同的应用场景。

本发明授权一种基于改进双流特征提取网络的实时语义分割方法在权利要求书中公布了：1.一种基于改进双流特征提取网络的实时语义分割方法，其特征在于，其包括以下步骤： S1：构建语义路径特征提取网络； 所述语义路径特征提取网络包括：卷积处理模块、C3模块、Concat模块、SPPF模块和上采样模块； 其中，一个所述卷积处理模块和一个所述C3模块构成一个下采样模块，所述下采样模块对输入的图像特征数据进行下采样操作，输出指定分辨率的特征图； 将原始输入图像送入一个所述卷积处理模块处理，然后送入一个所述下采样模块中，输出一级浅层特征图；所述一级浅层特征图输入到一个所述下采样模块中，输出二级浅层特征图；所述二级浅层特征图继续输入到一个所述下采样模块中，输出三级浅层特征图； 使用所述卷积处理模块、C3模块和Concat模块、SPPF模块和上采样模块对所述一级浅层特征图、所述二级浅层特征图和所述三级浅层特征图进行的后续处理，得到语义路径特征提取网络的输出特征图； S2：构建空间特征增强模块； 所述空间特征增强模块以RFB模块为基础框架，用3×3卷积层替代原有5×5卷积层，同时继承自HDC模块采用级联多个不同膨胀系数的空洞卷积层，其具体处理流程包括以下步骤： a1：利用1×1卷积层对原始输入特征图进行通道数处理，分别得到两种输出特征图：输出特征图1和输出特征图2，输出特征图1和输出特征图2的通道数均为原始输入特征图通道数的14； a2：将所述输出特征图1利用1×1卷积层进行处理，得到1组14通道数的输出特征图，记作：输出特征图3； a3：将所述输出特征图2利用卷积核为3×3、膨胀因子分别为1、2和3的连续的卷积层进行处理，对每次卷积处理后所得特征图进行保留，得到3组14通道数的输出特征图，记作： 输出特征图4； a4：将所述输出特征图3和所述输出特征图4的共4组特征图进行拼接，并将所得特征图作为空间特征增强模块的输出特征图； S3：构建空间路径特征提取网络； 所述空间路径特征提取网络包括：空间特征增强模块、Concat模块、上采样模块； 所述空间路径特征提取网络的输入为所述语义路径特征提取网络中提取的所述一级浅层特征图、所述二级浅层特征图和所述三级浅层特征图； 所述空间路径特征提取网络的具体处理过程包括以下步骤： b1：将所述三级浅层特征图送入所述上采样模块，通过双线性插值完成上采样，得到中间特征图1； b2：将所述二级浅层特征图通过所述空间特征增强模块，得到中间特征图2； b3：将所述中间特征图1和所述中间特征图2一起送入所述Concat模块进行拼接，得到： 中间特征图3； b4：将所述中间特征图3送入所述上采样模块，通过双线性插值完成上采样，得到：中间特征图4； b5：将所述一级浅层特征图通过所述空间特征增强模块得到：中间特征图5； b6：将所述中间特征图4和所述中间特征图5共同送入所述Concat模块进行拼接，得到的特征图，作为空间路径特征提取网络的输出特征图； S4：构建特征融合模块； 所述特征融合模块包括：依次连接的Concat模块、FFM模块、卷积处理模块和上采样模块； 所述语义路径特征提取网络和所述空间路径特征提取网络输出的特征图，作为所述特征融合模块的输入； 输入的两路特征图首先进入所述Concat模块进行Concat拼接，再利用FFM模块、CBS模块两路特征图的特征融合，最后送入上采样模块中，通过Up操作对特征图进行上采样，将特征图尺寸扩大为原始输入图像尺寸后进行分类； S5：构建实时语义分割网络； 所述实时语义分割网络包括：空间路径特征提取网络、语义路径特征提取网络和特征融合模块，所述空间路径特征提取网络负责提取输入图像中浅层空间特征信息，所述语义路径特征提取网络负责提取输入图像中深层语义特征信息，所述特征融合模块负责实现深层语义特征与浅层空间特征的信息融合； 所述特征融合模块输出的分类后的特征图作为所述实时语义分割网络的输出结果； S6：基于历史数据对所述实时语义分割网络进行训练，得到训练好的所述实时语义分割网络； S7：将待处理图像数据作为原始输入图像送入训练好的所述实时语义分割网络进行语义分割，得到分割后的特征图。

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江南大学，其通讯地址为：214000 江苏省无锡市滨湖区蠡湖大道1800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。