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！

龙图腾网获悉西安理工大学申请的专利基于逐像素抑制不显著语义的快速三维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：CN116630956B 。

龙图腾网通过国家知识产权局官网在2025-09-26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：202310538683.5，技术领域涉及：G06V20/64；该发明授权基于逐像素抑制不显著语义的快速三维目标检测方法是由宋霄罡;周振华;黄钰茵;朱创鑫;候伟茜;黑新宏设计研发完成，并于2023-05-12向国家知识产权局提交的专利申请。

本基于逐像素抑制不显著语义的快速三维目标检测方法在说明书摘要公布了：本发明公开了基于逐像素抑制不显著语义的快速三维目标检测方法，步骤1，点云数据预处理；步骤2，构建基于逐像素抑制不显著语义引导的下采样模块；步骤3，构建基于线性‑卷积联合通道增强自注意力特征提取模块；步骤4，构建基于全局‑局部耦合注意力机制的中心预测模块；采用本发明的方法通过实验结果表明，检测精度更高，推理速度更快，对于小目标检测结果提升效果明显，丰富了人工智能和自动驾驶的方法体系，支撑了三维检测领域的发展，为点云目标检测领域提升检测精度和效率提供了一种选择。

本发明授权基于逐像素抑制不显著语义的快速三维目标检测方法在权利要求书中公布了：1.基于逐像素抑制不显著语义的快速三维目标检测方法，其特征在于，具体按以下步骤实施： 步骤1，点云数据预处理； 步骤2，构建基于逐像素抑制不显著语义引导的下采样模块； 步骤3，构建基于线性-卷积联合通道增强自注意力特征提取模块； 步骤4，构建基于全局-局部耦合注意力机制的中心预测模块； 所述步骤3具体按以下步骤实施： 步骤3.1，通过分组多尺度采样，对每一组半径内的点云特征提取； 步骤3.2，通过1×1卷积进行升维，将原输入通道数d提升至s（sd），通过通道增加来提取更多特征； 步骤3.3，通过线性层进行特征通道的放缩，将多组提取的特征通道放缩到同一大小，然后相加达到降低计算量的效果； 步骤3.4，构建特征通道增强自注意力块； 所述步骤3.2具体按以下步骤实施： 步骤3.2.1，第一层网络层为两组1×1卷积，输入通道为4，输出通道为32和64； 步骤3.2.2，第二层网络层为两组1×1卷积，输入通道为67，输出通道为128和128； 步骤3.2.3，第三层网络层为两组1×1卷积，输入通道为131，输出通道为256和256； 步骤3.2.4，第五层网络层为两组1×1卷积，输入通道为259，输出通道为512和1024； 所述步骤3.4具体按以下步骤实施： 步骤3.4.1，首先通过对序列的每个元素进行变换来获取其查询（Q）、键（K），然后，通过共享卷积计算查询与键之间的相似度得到初始权重Sim，如式（8）所示； （8） 式中，和为卷积层，为转置，为输入特征； 步骤3.4.2，初始权重经过max函数选择出最具代表性的值，做以扩张并减去初始权重得到最终权重，计算公式如式（9）所示； （9） 式中，为扩张函数，为取k维最大值； 步骤3.4.3，通过全局最大池化和轻量化放缩全连接层对值（V）做通道增强处理，经过通道扩张值相乘得到最终的值（V）； 步骤3.4.4，将权重和通道增强的值做相乘合并得到最终的单个表示，来提供特征序列信息；此外还引入了残差连接和归一化来加速模型收敛并提高其鲁棒性，如式（10）所示； （10） 式中，为线性放缩层； 所述步骤4具体按以下步骤实施： 步骤4.1，通过全局-局部耦合感知点云场景，利用全局场景上下文信息和局部边界框周围上下文线索来改进3D边界框建议和对象分类的特征表示； 步骤4.2，构建轻量级分组空间增强模块； 步骤4.3，通过vote预测中心点； 所述步骤4.1具体按以下步骤实施： 步骤4.1.1，通过一层MLP进行特征通道降维，由步骤3模块得到的点云特征输入到单层MLP中得到特征； 步骤4.1.2，应用最大池化来获得前层网络全局特征的向量，遵循2D检测器上下文建模策略中的多尺度特征融合思想，形成全局特征向量，如式（11）所示； （11） 式中，为Concatenate链接函数； 步骤4.1.3，经过线性层进行通道放缩； 所述步骤4.2具体按以下步骤实施： 步骤4.2.1，将特征分组，每组特征在空间上与其最大池化后的特征做点积得到初始的注意力权重； 步骤4.2.2，对该注意力权重进行减均值除标准差的归一化，并同时每个分组学习两个缩放偏移参数使得归一化操作可被还原； 步骤4.2.3，最后经过Sigmoid激活函数得到最终的注意力权重并对原始特征分组中的每个位置的特征进行点积，输出最终特征； 所述步骤4.3具体按以下步骤实施： 步骤4.3.1，输入M个点的子集作为种子点，根据点语义信息来计算每个搜索种子和地面实例目标中心的坐标偏移量，每个种子通过投票模块独立地生成一个投票，然后将投票分组为集群； 步骤4.3.2，计算中心点收到的每个种子的干扰损失，如式（12）所示； （12） 式中，∆C ij表示从点p ij到中心点的地面实况偏移，IS是一个指标函数，用于确定点p ij是否用于预测中心。

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理工大学，其通讯地址为：710048 陕西省西安市碑林区金花南路5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。