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！

龙图腾网获悉江苏科技大学申请的专利一种基于特征强化和对比学习的协同显著性检测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：CN116883818B 。

龙图腾网通过国家知识产权局官网在2026-04-24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：202310975821.6，技术领域涉及：G06V10/82；该发明授权一种基于特征强化和对比学习的协同显著性检测方法及系统是由徐丹;汤佳鹏;史金龙;左欣;束鑫;钱强设计研发完成，并于2023-08-04向国家知识产权局提交的专利申请。

本一种基于特征强化和对比学习的协同显著性检测方法及系统在说明书摘要公布了：本发明公开了一种基于特征强化和对比学习的协同显著性检测方法及系统，该方法包括：将一组训练图像输入VGG16编码器，提取图像不同层次的特征，其中，VGG16编码器根据卷积层的深度将特征由浅至深记为x1,x2,x3,x4,x5；将特征x5经残差卷积层后，输入到协同显著性检测器GAM中进行编码，得到一组图像的共同显著性对象，记为协同显著性原型proto；借助协同显著性原型proto和特征增强模块MSE对特征x1,x2,x3,x4,x5进行增强，得到增强后特征f1,f2,f3,f4,f5；将f1,f2,f3,f4,f5和proto输入解码器进行解码，进而得到检测网络，并用所述检测网络预测一组图像的协同显著图S。本发明采用前景‑背景对比学习的方法，通过学习前景特征和背景特征之间的差异性，减少了背景噪声的影响，降低了协同显著性检测的虚警率。

本发明授权一种基于特征强化和对比学习的协同显著性检测方法及系统在权利要求书中公布了：1.一种基于特征强化和对比学习的协同显著性检测方法，其特征在于，包括： 构建检测网络，网络构建和训练过程包括以下步骤： 1将一组训练图像输入VGG16编码器，提取图像不同层次的特征，其中，VGG16编码器根据卷积层的深度将特征由浅至深记为x1,x2,x3,x4,x5； 2将特征x5经残差卷积层后，输入到协同显著性检测器GAM中进行编码，得到一组图像的共同显著性对象，记为协同显著性原型proto； 3借助协同显著性原型proto和特征增强模块MSE对特征x1,x2,x3,x4,x5进行增强，得到增强后特征f1,f2,f3,f4,f5； 4将f1,f2,f3,f4,f5和proto输入解码器进行解码，进而得到检测网络，并用所述检测网络预测一组图像的协同显著图S； 所述检测网络测试： 将测试图像组输入训练好的检测网络中，得到测试图像组的协同显著图； 所述检测网络的损失函数包括：协同显著图S和真值图Gt之间的IoU损失和前景-背景对比学习模块的损失；定义为前景特征图M+、背景特征图M-和真值图Gt、全零图像之间的焦点损失； 因此，所述检测网络的损失函数定义为： ； 其中，是平衡损失和损失的权重系数； 所述前景特征图M+和背景特征图M-通过前景-背景对比学习FBC得到，所述前景学习中将图像真值图Gt依次和特征图x5、协同显著性原型proto进行逐像素相乘，获得前景原型F+，再经过一个CNN网络，获得前景特征图M+；背景学习中将图像背景掩膜1-Gt依次和特征图x5、协同显著性原型proto进行逐像素相乘，获得背景原型F-，再经过一个CNN网络，获得背景特征图M-； 所述步骤2中，协同显著性原型proto生成方法为： 21初始特征x5先由残差块处理生成增强的残差特征： ； 22将输入GAM，分别经过两个1×1卷积层得到特征图K和Q， ,，将K和Q重塑成,，计算出K和Q的特征相似图S： ； 其中，，NHW表示一组图像中N幅图像的总像素数，S表示特征图K中像素与特征图Q中像素之间的相似值，i=1,2,...，NHW，j=1,2,...，NHW； 23将特征相似图S重塑为，选择每幅图像中与相似度最大的值，得到的N个最大相似度值，记为： ； 24将N个最大相似度值的平均值作为的协同显著概率，生成全局协同注意图P： ，； 25使用softmax操作对全局协同注意图P进行归一化，并将其重塑为 ，则由N个特征图组成，分别对应输入图像组中N幅图像的协同显著性注意图； 26将重塑后的全局协同注意图与特征相乘，得到，经过1×1卷积层后，得到协同显著性特征原型proto，。

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苏科技大学，其通讯地址为：212000 江苏省镇江市京口区梦溪路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。