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！

龙图腾网获悉中国科学院计算技术研究所申请的专利一种基于特征聚类的语义分割方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：CN115690410B 。

龙图腾网通过国家知识产权局官网在2026-03-10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：202211160286.0，技术领域涉及：G06V10/26；该发明授权一种基于特征聚类的语义分割方法及系统是由代锋;马宜科;刘子辰;张玉成;张帅宾设计研发完成，并于2022-09-22向国家知识产权局提交的专利申请。

本一种基于特征聚类的语义分割方法及系统在说明书摘要公布了：本发明提出一种基于特征聚类的语义分割方法和系统，包括：语义分割模型中的特征提取层提取训练图像的深层语义特征和浅层细节特征，语义分割模型中第一卷积分类器为深层语义特征进行分类，得到训练图像中各像素的第一分类结果，归一化第一分类结果，得到每个像素属于类别的概率，点积概率和深层语义特征，得到每个类别的类特征；融合深层语义特征和浅层细节特征，得到像素级别特征；根据像素级别特征，取训练图像中各像素到每个类特征的相似度最大对应的类别作为第二分类结果；语义分割模型中第二卷积分类器为像素级别特征进行分类，得到训练图像中像素的第三分类结果；根据类别标签和各分类结果，训练语义分割模型，以为指定图片进行语义分割。

本发明授权一种基于特征聚类的语义分割方法及系统在权利要求书中公布了：1.一种基于特征聚类的语义分割方法，其特征在于，包括： 步骤1、获取已标注类别标签的训练图像，语义分割模型中的特征提取层提取该训练图像的深层语义特征和浅层细节特征，语义分割模型中的第一卷积分类器为该深层语义特征进行分类，得到该训练图像中各像素的第一分类结果，将该第一分类结果进行归一化，得到对于各语义类别，每个像素属于该类别的概率，将该概率和该深层语义特征进行点积，得到每个类别的类特征； 步骤2、融合该深层语义特征和该浅层细节特征，得到像素级别特征；根据该像素级别特征，计算该训练图像中各像素到每个该类特征的相似度，取最大相似度对应的类别作为当前像素的第二分类结果；语义分割模型中的第二卷积分类器为该像素级别特征进行分类，得到该训练图像中像素的第三分类结果； 步骤3、根据该训练图像的类别标签和该第一分类结果、该第二分类结果、第三分类结果，构建损失函数，训练该语义分割模型，并以训练完成后的语义分割模型为指定图片进行语义分割； 其中，该步骤1包括： 通过下式对该深层语义特征进行预分割： 其中fh代表深层语义特征，r代表该第一分类结果，S为该第一卷积分类器；进而该第一分类结果通过softmax进行归一化，得到每个像素属于各类别的概率： 其中k代表类别，i代表像素； 将深层语义特征fh和概率mik进行点积，得到每一类的类特征fk： 该步骤2包括： 通过下式将该深层语义特征和该浅层细节特征融合，从而构建了高分辨率的该像素级别特征： 其中fp代表最终的像素特征，fh，fl分别代表深层语义特征和浅层特征，CR代表1x1卷积用以降低计算量，upsample代表上采样对齐深层特征和浅层特征的分辨率； 通过下式得到该相似度： 其中pik代表像素i和第k类的相似度，classi代表像素i的该第二分类结果； 该损失函数包括聚类中心损失、特征一致性损失、预分割损失和正则化损失； 聚类中心损失： 特征一致性损失： 预分割损失： 正则化损失： 最终的损失函数： 。

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中国科学院计算技术研究所，其通讯地址为：100080 北京市海淀区中关村科学院南路6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。