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！

龙图腾网获悉浙江科技学院申请的专利基于多尺度学习的轻量级显著性目标检测模型的构建和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：CN115471718B 。

龙图腾网通过国家知识产权局官网在2026-03-31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：202211191605.4，技术领域涉及：G06V10/82；该发明授权基于多尺度学习的轻量级显著性目标检测模型的构建和检测方法是由彭艳斌;郑志军;丰明坤;翟治年;潘志刚设计研发完成，并于2022-09-28向国家知识产权局提交的专利申请。

本基于多尺度学习的轻量级显著性目标检测模型的构建和检测方法在说明书摘要公布了：本发明公开了一种基于多尺度学习的轻量级显著性目标检测模型的构建和检测方法，首先，利用多尺度学习机制和深度可分离卷积提取彩色三通道RGB图像特征；其次，利用反向残差块提取深度图像特征；再次，利用通道注意力机制和空间注意力机制增强所述的深度图像特征；接着，将彩色三通道RGB图像特征和增强的深度图像特征进行融合；最后，融合特征经过解码网络和输出层，产生显著性预测图。所述模型通过深度可分离卷积减少参数数量，通过膨胀卷积进行多尺度学习，通过注意力机制挖掘深度图像的有效信息，提高显著性目标检测的效果。

本发明授权基于多尺度学习的轻量级显著性目标检测模型的构建和检测方法在权利要求书中公布了：1.一种基于多尺度学习的轻量级显著性目标检测模型的构建和检测方法，其特征在于，包括以下步骤： 步骤S1：建立训练样本集，具体包括： 选取RGB三通道彩色图像、彩色图像对应的深度图像和彩色图像对应的真实显著图像，构成训练样本集； 步骤S2：建立卷积神经网络，卷积神经网络包括输入层、隐藏层和输出层； 所述的输入层包括彩色图输入层和深度图输入层，所述的隐藏层包括彩色图轻量特征提取网络、深度图轻量特征提取网络、深度图信息增强网络、全局特征提取网络和解码网络； 所述的彩色图轻量特征提取网络包含五个依次连接的彩色轻量网络块； 所述的深度图轻量特征提取网络包含五个依次连接的深度轻量网络块； 所述的深度图信息增强网络包含五个深度增强网络块； 第一个深度轻量网络块接收深度图输入层传来的训练用深度图像，输出分别连接到第二个深度轻量网络块和第一个深度增强网络块，第二个深度轻量网络块的输出分别连接到第三个深度轻量网络块和第二个深度增强网络块，第三个深度轻量网络块的输出分别连接到第四个深度轻量网络块和第三个深度增强网络块，第四个深度轻量网络块的输出分别连接到第五个深度轻量网络块和第四个深度增强网络块，第五个深度轻量网络块的输出连接到第五个深度增强网络块； 步骤S3：将训练样本集中每幅彩色图像和对应的深度图像输入卷积神经网络进行训练，得到训练样本集中每幅彩色图像对应的五幅显著性预测图像，记为{Qi}，其中1≤i≤5； 步骤S4：计算训练样本集中每幅彩色图像对应的显著性预测图和对应的真实显著图之间的损失函数值，记为{lossi}，其中1≤i≤5，lossi为第i幅显著性预测图和真实显著图之间的损失函数值，采用二元交叉熵损失函数，综合损失函数值为其中0≤α≤1是权重系数； 步骤S5：循环执行步骤S3和步骤S4，在每次循环中，将训练样本输入卷积神经网络，计算综合损失函数值，并进行反向传播，用梯度下降方法来优化网络参数，得到最优权值向量和最优偏置项，获得训练好的卷积神经网络模型，即为基于多尺度学习的轻量级显著性目标检测模型； 步骤S6：将待预测的彩色图像及其对应的深度图像输入基于多尺度学习的轻量级显著性目标检测模型，获得彩色图像对应的显著性预测图Q1，完成显著性目标检测任务。

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浙江科技学院，其通讯地址为：310023 浙江省杭州市西湖区留和路318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。