上海师范大学汤宏颖获国家专利权
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!
龙图腾网获悉上海师范大学申请的专利一种多尺度轻量化的烟雾图像分割方法及装置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:CN116503726B 。
龙图腾网通过国家知识产权局官网在2025-12-05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:202310204836.2,技术领域涉及:G06V20/10;该发明授权一种多尺度轻量化的烟雾图像分割方法及装置是由汤宏颖;李彦蓉;袁非牛设计研发完成,并于2023-03-06向国家知识产权局提交的专利申请。
本一种多尺度轻量化的烟雾图像分割方法及装置在说明书摘要公布了:本发明公开了一种多尺度轻量化的烟雾图像分割方法及装置,属于烟雾图像语义分割技术领域。该方法包括:获取烟雾图像数据集并进行预处理;构建多尺度轻量化的卷积神经网络,该网络以ResNet50残差结构作为骨干网络,还包括三个多尺度的轻量化分组注意力模块、一个多层级上下文信息聚合模块和一个交叉融合门控模块;对该网络进行训练并进行评估;将待分割的烟雾图像数据输入到训练好的网络中,得到分割结果。本发明引入轻量化注意力模块,使用信道混合的分组处理方法充分利用视图间的信息,降低了数据的计算量;使用上采样和门控的方法处理不同层级的特征信息,进一步提高低级信息和高级信息间的关联度,得到更高质量的分割结果。
本发明授权一种多尺度轻量化的烟雾图像分割方法及装置在权利要求书中公布了:1.一种多尺度轻量化的烟雾图像分割方法,其特征在于,包括以下步骤: 1获取烟雾图像数据集,对所述烟雾图像数据集数据进行预处理; 2构建多尺度轻量化的卷积神经网络,所述多尺度轻量化的卷积神经网络以ResNet50残差结构作为骨干网络,还包括三个多尺度的轻量化分组注意力模块MSA、一个多层级上下文信息聚合模块MCA和一个交叉融合门控模块CLGD; 所述多尺度轻量化的卷积神经网络具体为: 所述多尺度轻量化的卷积神经网络采用ResNet50残差结构作为骨干网络,对输入的所述烟雾图像进行特征提取; 将所述残差结构中Layer2、Layer3和Layer4提取的特征图,分别经过一个3x3的卷积提取特征并统一通道数,将此输出的特征图分别送入所述多尺度的轻量化分组注意力模块MSA中; 将各层级所述多尺度的轻量化分组注意力模块MSA的输出作为所述多层级上下文信息聚合模块MCA模块的输入,该模块采用基于不同层级上下文信息聚合和密集连接的方法来获取和适应不同尺度的特征图,通过聚合不同阶段的信息来实现精准的语义分割; 将所述多层级上下文信息聚合模块MCA的输出作为高级特征,所述残差结构中Layer1提取的特征图作为低级特征输入到所述交叉融合门控模块CLGD中,将所述高级特征作为门控对所述低级特征进行赋权值,进而有效选取有用的所述低级特征与高级特征进行堆叠后输出结果; 所述多层级上下文信息聚合模块MCA具体为: 将各层级所述多尺度的轻量化分组注意力模块MSA的输出结果,放大到相同尺寸后进行分支间的相加; 将所述残差结构中Layer2的输出依次经过平均池化层、1x1卷积和sigmoid激活函数后与所述残差结构中Layer2经过所述多尺度的轻量化分组注意力模块MSA的输出结果相乘,然后各分支横向进行卷积; 最后将所有卷积输出放大到原图像的18大小后进行concat连接输出; 所述交叉融合门控模块CLGD具体为: 所述低级特征和高级特征分别进行3x3卷积和2倍上采样后进行concat连接,再经过1x1卷积和sigmoiod激活函数操作后与所述低级特征3x3卷积后的结果相乘,最后与所述高级特征2倍上采样后的结果进行concat连接后经过两组3x3卷积、一个1x1卷积操作,再上采样恢复到原始特征图尺寸后输出; 3使用预处理后的所述烟雾图像数据集数据对所述多尺度轻量化的卷积神经网络进行训练,并对训练好的该网络在多个所述烟雾图像数据集上的语义分割结果进行评估; 所述评估采用mIoU,计算如下: 其中:TP表示真实值和预测值为Positive;FN表示真实值为Positive,预测值为Negative;FP表示真实值为Negative,预测值为Positive; 4将待分割的烟雾图像数据输入到训练好的所述多尺度轻量化的卷积神经网络中,得到分割结果。
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上海师范大学,其通讯地址为:200234 上海市徐汇区桂林路100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。
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。

皖公网安备 34010402703815号
请提出您的宝贵建议,有机会获取IP积分或其他奖励