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！

龙图腾网获悉西安热工研究院有限公司申请的专利一种基于跨模态不确定区域校正的多模态显著性目标检测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：CN117078959B 。

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：202311053812.8，技术领域涉及：G06V10/46；该发明授权一种基于跨模态不确定区域校正的多模态显著性目标检测方法是由金国强;秦琦;张强;宋国鹏;张振伟;沈乾坤设计研发完成，并于2023-08-21向国家知识产权局提交的专利申请。

本一种基于跨模态不确定区域校正的多模态显著性目标检测方法在说明书摘要公布了：本发明公开了一种基于跨模态不确定区域校正的多模态显著性目标检测方法，跨模态特征增强模块利用注意力机制增强浅层特征中的有效信息，同时抑制干扰信息；根据不确定区域感知的跨模态特征校正模块，在深层单模态特征提取过程中，通过双向交互的方式对两种模态深层特征中存在的不确定区域进行跨模态校正，获得更具辨别力的单模态特征；根据多尺度跨模态特征融合模块对可见光图像特征和深度图像特征进行跨模态融合充分挖掘两种模态的中的多尺度上下文信息和互补信息；根据具有辨别力的跨模态特征预测最终显著性图，获得显著性预测图；对显著性预测图采用监督学习模型得到网络模型参数。获得了完整且精细的显著性预测图。

本发明授权一种基于跨模态不确定区域校正的多模态显著性目标检测方法在权利要求书中公布了：1.一种基于跨模态不确定区域校正的多模态显著性目标检测方法，其特征在于，包括以下步骤： 基于跨模态不确定区域校正的多模态显著性目标检测模型，充分考虑了低质量输入图像对显著性目标检测模型性能影响； 跨模态特征增强模块通过利用注意力机制对浅层特征中的有效信息进行增强，同时对干扰信息进行抑制； 不确定区域感知的跨模态特征校正模块，在深层单模态特征提取过程中，通过双向信息交互的方式对两种模态深层特征存在的不确定区域进行跨模态校正，以获得更具辨别力的单模态特征，提高模型对不确定区域显著性目标检测的准确性； 具体包括以下步骤： 首先根据映射到同一空间的RGB特征和深度特征，计算深层级RGB特征和深度特征共有的区域特征，进而计算两种模态的不确定区域的特征和； 然后通过空间注意力操作分别获得两种模态深层特征中不确定区域的空间权重，然后利用该权重选择另一模态对应区域的特征和，同时获取RGB特征和深度特征中的不确定区域的特征和； 接着利用双向跨模态特征交互子模块对获得的和、和分别利用双向交互的方式进行跨模态校正，通过跨注意力操作来进行跨模态特征校正，最终得到校正后的特征为，利用的是双向信息交互的方式，因此，对于和、和以及和应用同样的校正过程得到、和； 最后根据特征选择子模块对双向跨模态特征交互子模块后的特征进行选择，具体步骤如下： 首先对不确定区域两种方式校正后的特征和使用11卷积进行降维，其次，使用全局平均池化操作和全局最大池化操作分别将其压缩为一维特征向量，最后，分别通过两个级联的全连接层和一个Sigmoid函数操作，来生成特征权重，根据此权重来选择对不确定区域校正更准确的特征和，最终获得校正好的RGB特征和深度特征分别为和； 多尺度跨模态特征融合模块去充分挖掘和捕捉可见光图像和深度图像中的互补信息和跨模态融合特征的多尺度上下文信息；采用带有残差连接的基于洞卷积的多尺度特征提取模块在进行跨模态融合之前对多尺度特征进行提取，进而通过解码器对编码特征进行解码特征； 融合特征逐级进行解码预测最终显著性图，获得显著性预测图； 联合交叉熵损失和基于交并比的损失函数进一步训练网络获得更加完整的显著性目标； 对显著性预测图采用监督学习模型得到网络模型参数。

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西安热工研究院有限公司，其通讯地址为：710048 陕西省西安市碑林区兴庆路136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。