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！

龙图腾网获悉中国人民解放军网络空间部队信息工程大学申请的专利基于多粒度原型的影像语义分割方法、模型、设备及介质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：CN119559386B 。

龙图腾网通过国家知识产权局官网在2025-09-30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：202411410952.0，技术领域涉及：G06V10/26；该发明授权基于多粒度原型的影像语义分割方法、模型、设备及介质是由高奎亮;余岸竹;游雄;洪丹阳;曹月;权雨君;朱广阳;徐连瑞;刘冰设计研发完成，并于2024-10-10向国家知识产权局提交的专利申请。

本基于多粒度原型的影像语义分割方法、模型、设备及介质在说明书摘要公布了：本发明提供了一种基于多粒度原型的影像语义分割方法、模型、设备及介质，所述方法包括：构建包括粗粒度标签和细粒度标签的多粒度标签空间；建立粗粒度标签与细粒度标签的结构化逻辑关系和逻辑约束；对粒度标签空间的粗粒度原型和细粒度原型进行学习和更新，通过逻辑约束损失函数对构建的结构化逻辑进行学习，得到训练后分割模型，包括第一骨干网络、细粒度分割头和粗粒度分割头；通过训练后分割模型对目标影像分割和融合输出分割结果。所述模型包括多粒度标签空间构建模块、第一骨干网络、细粒度分割头、粗粒度分割头和融合模块。本发明的方法能够更好地将抽象化和结构化这两个人类认知关键能力融入至分割模型中，提高了现有分割模型的性能。

本发明授权基于多粒度原型的影像语义分割方法、模型、设备及介质在权利要求书中公布了：1.一种基于多粒度原型的影像语义分割方法，其特征在于，包括： 基于特征相似性聚类方法，依据细粒度标签生成目标影像的粗粒度标签，采用所述粗粒度标签和所述细粒度标签构建多粒度标签空间； 将所述目标影像划分为训练集和测试集，通过所述训练集和建立的结构化逻辑，对所述多粒度标签空间的所述粗粒度标签和所述细粒度标签进行原型学习，得到训练后的第一骨干网络、细粒度分割头和粗粒度分割头，包括： 用初始的第一骨干网络提取所述测试集的特征图，用初始的细粒度分割头对所述特征图进行预测得到细粒度特征，用初始的粗粒度分割头对所述特征图进行预测得到粗粒度特征； 在所述多粒度标签空间中，依据所述细粒度特征和所述粗粒度特征，通过在线加权融合方式迭代生成粗粒度标签原型和细粒度标签原型，通过公式计算细粒度原型，表示学习到的类别c的原型向量；表示类别c的权重矩阵，采用Sinkhorn‑Knopp迭代算法获得，表示属于类别c的像素数量； 表示细粒度分割头生成的特征映射Z1中类别c对应的特征向量，表示像素被正确分类的掩码，符号表示元素级乘法； 在整个训练过程中，原型不断基于特征向量的最新加权融合结果进行在线更新，第k次训练迭代之后，细粒度原型通过公式更新，µ∈[0,1]为控制更新动量； 通过交叉熵损失函数，使用所述细粒度特征和所述粗粒度特征分别计算所述粗粒度标签原型、所述细粒度标签原型和构建的结构化逻辑的损失，依据计算的损失分别对所述粗粒度标签原型、所述细粒度标签原型和构建的结构化逻辑迭代学习，得到训练后的第一骨干网络、细粒度分割头和粗粒度分割头；其中，所述结构化逻辑包括水平逻辑关系和垂直逻辑关系，建立水平逻辑约束和垂直逻辑约束；根据所述细粒度特征和所述粗粒度特征，通过交叉熵损失函数计算所述多粒度标签空间的水平总损失，依据所述水平逻辑约束和所述水平总损失对所述水平逻辑关系迭代学习；根据所述细粒度特征和所述粗粒度特征，通过交叉熵损失函数计算所述多粒度标签空间的垂直总损失，依据所述垂直逻辑约束和所述垂直总损失对所述垂直逻辑关系迭代学习； 使用训练后的所述第一骨干网络和所述细粒度分割头对所述测试集进行预测得到第一预测结果，使用训练后的所述第一骨干网络和所述粗粒度分割头对所述测试集进行预测得到第二预测结果； 融合所述第一预测结果和所述第二预测结果，得到所述目标影像的分割结果，所述分割结果包括所述目标影像中每个像素点的类别。

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人民解放军网络空间部队信息工程大学，其通讯地址为：450001 河南省郑州市高新技术开发区科学大道62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。