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！

龙图腾网获悉杭州电子科技大学申请的专利一种基于类别表征对比与聚合的弱监督语义分割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：CN119850960B 。

龙图腾网通过国家知识产权局官网在2025-10-31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：202510054025.8，技术领域涉及：G06V10/26；该发明授权一种基于类别表征对比与聚合的弱监督语义分割方法是由戴光泽;张聪设计研发完成，并于2025-01-14向国家知识产权局提交的专利申请。

本一种基于类别表征对比与聚合的弱监督语义分割方法在说明书摘要公布了：本发明公开了一种基于类别表征对比与聚合的弱监督语义分割方法，该方法首先对包含C个目标类别的N幅图像，进行图像增强的预处理。其次引入类别表征概念，构建类别表征提取模块，基于预处理后的图像获取类别表征，构建类别表征聚合模块，聚合类别表征，得到类别表征聚合特征。然后类别表征聚合特征，通过归一化全局加权池化生成伪标签和类别分数。最后构建分割模型，基于伪标签输出语义分割结果。本发明有效抑制了错误位置的错误激活，有效提升了种子区域的生成质量进而提升语义分割正确性。

本发明授权一种基于类别表征对比与聚合的弱监督语义分割方法在权利要求书中公布了：1.一种基于类别表征对比与聚合的弱监督语义分割方法，其特征在于，包括以下步骤： 步骤一、对包含C个目标类别的N幅图像，进行图像增强的预处理； 步骤二、引入类别表征概念，构建类别表征提取模块，基于预处理后的图像获取类别表征，具体过程如下： 将预处理后的图像输入到多尺度卷积网络MSFCN，MSFCN通过空洞卷积实现多尺度特征的提取，得到图像特征掩码； 将该图像特征掩码输入到CAM模块中生成注意力映射图，将注意力映射图输入到c个类别特征提取器中，得到c个类别特征，每个类别表征都代表着本次训练图像在此轮训练中对应类别的类别特征； 将c个类别输入到掩码平均池化中得到图像的c个类别表征； 基于类别表征的语义信息，建立一个非参数动态记忆库M存储，记忆库中的类别表征通过动量公式逐步更新； 通过非参动态记忆库的形式收集到了全数据集的类别语义信息即类别表征，并且将全数据集的类别表征融入到了每个批次每个图像的训练流程中； 通过记忆库中的类别表征和训练流程中得到的类别表征进行对比学习，缩短其与相同类别的距离，增大相似度，同时扩大与不同类别表征的距离，即减少相似度；损失函数为NCE损失，将图像的负样本，即在本图像真实标签中未出现的类别表征也纳入训练； 将图像正样本与非参动态库中的正样本计算NCE损失，将图像负样本与非参动态记忆库中的负样本计算NCE损失，将混合后的损失称为CRM-NCE损失； 步骤三，构建类别表征聚合模块，聚合类别表征，得到类别表征聚合特征，具体实现过程如下： 将存有全数据集类别表征的非参动态记忆库，通过K-Mean聚类算法，得到若干个类别表征质心，将其拼接为矩阵形状；然后将所有质心拼接得到其整体类别表征Q，Q中蕴含了全数据集的类别表征聚合信息，将其融合到训练过程中获取的跨图像语义，具体融合过程如下： 首先对本次训练批次中的每个图像I的特征，然后与整体类别表征Q进行矩阵乘法运算后经过一次softmax函数得到类别表征注意力矩阵S；通过类别表征注意力矩阵S和整体类别表征Q通过矩阵乘法计算其类别表征亲和度矩阵F′；最后拼接图像特征F和类别表征亲和度矩阵F′得到类别表征聚合特征 步骤四，类别表征聚合特征，通过归一化全局加权池化生成伪标签和类别分数； 所述归一化全局加权池化模块具体实现过程如下： 将类别表征聚合特征通过一个1*1卷积得到分数映射Sscore，再将Sscore通过softmax归一化生成置信度掩码Mmask； 然后，将得到的置信度掩码Mmask，即伪标签，输入到归一化全局自适应加权池化中，其公式表示如下： 其中ε是一个超参数，代表图像I中含有类别c的概率，sc，w，h是Sscore中位于w，h位置像素类别为c的概率；mc，w，h是Mmask中位于w，h位置像素类别为c的归一化概率； 步骤五，构建分割模型，基于伪标签输出语义分割结果。

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杭州电子科技大学，其通讯地址为：310018 浙江省杭州市钱塘区白杨街道2号大街1158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。