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！

龙图腾网获悉大连理工大学;大连理工大学宁波研究院;大连维视科技有限公司申请的专利一种基于异构Transformer的无监督视频目标分割算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：CN115797835B 。

龙图腾网通过国家知识产权局官网在2026-02-27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：202211532178.1，技术领域涉及：G06V20/40；该发明授权一种基于异构Transformer的无监督视频目标分割算法是由王一帆;袁亦忱;卢湖川;王立君设计研发完成，并于2022-12-01向国家知识产权局提交的专利申请。

本一种基于异构Transformer的无监督视频目标分割算法在说明书摘要公布了：一种基于异构Transformer的无监督视频目标分割算法，为无监督视频目标分割网络在外观运动特征融合的浅层和深层阶段设计两种不同的基于Transformer的融合策略，分别是全局上下文共享的Transformer和语义聚合‑回嵌的Transformer。全局上下文共享的Transformer能以较低的计算量学习视频帧之间的全局共享上下文信息，语义聚合‑回嵌的Transformer对前景和背景分别建模语义相关性并通过对特征向量软聚合的方式来进一步降低计算量。基于两种融合模块，为无监督视频目标分割任务设计一种层级异构的Transformer架构，这种架构能以较低的计算量实现最先进的性能。

本发明授权一种基于异构Transformer的无监督视频目标分割算法在权利要求书中公布了：1.一种基于异构Transformer的无监督视频目标分割方法，其特征在于，基于异构Transformer的无监督视频目标分割算法中包含上下文共享的Transformer模块和语义聚合-回嵌的Transformer模块，以及基于两种模块所设计的异构Transformer网络架构： 异构Transformer网络架构包含一个外观特征提取网络、一个运动特征提取网络、两个上下文共享的Transformer融合模块、两个语义聚合-回嵌的Transformer融合模块和一个解码器，其中外观特征提取网络和运动特征提取网络均使用Swin-Tiny，解码器使用Segformer中设计的基于全连接层的分割头；外观特征提取网络和运动特征提取网络分别提取四个阶段的外观特征和运动特征，并在每个阶段用通道维度拼接外观特征和运动特征的方式得到初步的融合特征，其中代表第阶段的融合特征维度，和分别代表第阶段的融合特征分辨率的宽和高，； 标准的视觉Transformer模块主要由一个残差结构的多头注意力计算模块和一个残差结构的前馈神经网络模块组成；上下文共享的Transformer融合模块通过全局上下文建模来简化标准视觉Transformer模块中的残差结构的多头注意力计算模块，为对所有的询问特征向量计算一个共享且独立于询问特征向量的权重图；全局上下文建模包含一个询问特征向量独立的空间注意力计算和通道注意力计算；具体而言，在得到浅层阶段的融合特征，，浅层阶段的融合特征同时作为全局上下文建模的询问特征向量，首先通过一个卷积层和函数生成一个单通道的注意力权重图，这个单通道的注意力权重图通过浅层阶段的融合特征获得一个询问特征向量共享的加权表征；为了进一步建模通道间的相关性，使用两组由卷积层、批量归一化和ReLU函数组成的通道注意力模块对加权表征进行调优；在全局上下文建模后使用残差结构来聚合全局上下文信息和浅层阶段的融合特征；全局上下文建模的输出被送入标准的视觉Transformer模块的残差结构的前馈神经网络模块，得到最终的融合特征； 语义聚合-回嵌的Transformer融合模块是分别建模前景和背景的特征相关性，包含两条并行的分支来分别处理前景和背景的特征，其中每个分支包含询问特征向量选择、键-值特征向量软聚合、相关性建模计算和询问特征向量回嵌；其中，询问特征向量、键-值特征向量为标准视觉Transformer模块的输入；对于从深层阶段的融合表征，，首先使用一个卷积层和函数生成一个单通道的特征向量选择热力图；基于特征向量选择热力图，属于前景的询问特征向量和属于背景的询问特征向量被分别选中，其中和是决定前景和背景选择的两个阈值，是位置处的热力图的对应值； 前景分支的相关性计算过程：为了获得前景突出的键-值特征向量对，首先对深层阶段的融合特征和热力图进行点积来得到掩码增强的前景特征向量序列；随后采用一种特征向量软聚合机制来获得更紧凑的压缩表征，这种机制通过学习一组表征转换矩阵来压缩前景特征向量序列；随后前景对应的询问特征向量和前景增强压缩的键-值特征向量被送入到标准视觉Transformer中进行注意力计算来建模和增强语义相关性并更新对应的语义表征；由于前景分支和背景分支的流程具有对称性，背景分支的流程与前景分支一致；视觉Transformer模块的输出随后根据询问特征向量选择阶段的对应索引回嵌到最初的融合特征中并得到最终的融合特征。

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大连理工大学;大连理工大学宁波研究院;大连维视科技有限公司，其通讯地址为：116024 辽宁省大连市甘井子区凌工路２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。