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！

龙图腾网恭喜西安理工大学申请的专利基于通道注意力与金字塔卷积融合的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：CN114155371B 。

龙图腾网通过国家知识产权局官网在2025-05-30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：202111361747.6，技术领域涉及：G06V10/26；该发明授权基于通道注意力与金字塔卷积融合的语义分割方法是由郑元林;刘春霞;廖开阳;陈兵;丁天淇;黄港;谢雨林;张新会;钟崇军;李宏锦;解博设计研发完成，并于2021-11-17向国家知识产权局提交的专利申请。

本基于通道注意力与金字塔卷积融合的语义分割方法在说明书摘要公布了：本发明公开了基于通道注意力与金字塔卷积融合的语义分割方法，具体为：步骤1，将数据库中的训练图像输入到ResNet50网络中，提取图像的特征；步骤2，在步骤1中的ResNet50网络的最后一层添加金字塔卷积模块，分别捕获局部特征与全局特征；步骤3，将步骤2获取的局部特征和全局特征进行融合，获取融合的特征信息；步骤4，将步骤3获取的融合的特征信息输入到通道注意力模块中，获取加强特征图；步骤5，将步骤3获取的融合的特征与步骤4获得的加强特征图进行融合；步骤6，将步骤5融合后的特征进行上采样得到分割图像。本发明解决了现有分割方法精确度低的问题。

本发明授权基于通道注意力与金字塔卷积融合的语义分割方法在权利要求书中公布了：1.基于通道注意力与金字塔卷积融合的语义分割方法，其特征在于，具体按照以下步骤实施：步骤1，将数据库中的训练图像输入到ResNet50网络中，提取图像的特征；步骤2，在步骤1中的ResNet50网络的最后一层添加金字塔卷积模块，分别捕获局部特征与全局特征；步骤2的具体过程为：步骤2.1，在ResNet50网络的最后一层添加金字塔卷积局部特征提取模块，捕获局部特征；步骤2.1.1，将步骤1中提取图像的特征通过1*1的卷积使维数降到512维；步骤2.1.2，将步骤2.1.1降维的特征分成不同的组数分别按照卷积核为9*9、7*7、5*5、3*3的尺寸进行卷积；步骤2.1.3，将步骤2.1.2卷积处理的特征进行卷积核为1*1的尺寸进行卷积，得到局部特征；步骤2.2，在ResNet50网络的最后一层添加金字塔卷积的全局特征提取模块，捕获全局特征；步骤2.2.1，采用自适应平均池化将步骤1中提取图像的特征的尺寸减少至9*9；步骤2.2.2，将步骤2.2.1减小后的特征通过1*1的卷积将特征映射降到512维；步骤2.2.3，将步骤2.2.2降维的特征分成不同的组数分别按照卷积核为9*9、7*7、5*5、3*3的尺寸进行卷积；步骤2.2.4，将步骤2.2.3卷积处理的特征进行卷积核为1*1的尺寸进行卷积，得到全局特征；步骤3，将步骤2获取的局部特征和全局特征进行融合，获取融合的特征信息；步骤4，将步骤3获取的融合的特征信息输入到通道注意力模块中，获取加强特征图；步骤4的具体过程为：步骤4.1，将步骤3获取的融合的特征信息输入到通道注意力模块，获取通道注意力图，即影响每个通道的相对因子，表达式为： （5）式（5）中，表示第i个通道对第j个通道的影响，表示第i个通道的特征图，表示第j个通道的特征图；步骤4.2，通过步骤4.1得到的通道注意力图与步骤1提取图像的特征，计算得到加强特征图； （6）式（6）中，表示第i个通道对第j个通道的影响，表示第i个通道的特征图，表示第j个通道的特征图，为权重因子，初始化为0；步骤5，将步骤3获取的融合的特征与步骤4获得的加强特征图进行融合；步骤5中融合方式为： （7）式（7）中，为步骤3中融合的特征信息，为步骤4中加强特征图；步骤6，将步骤5融合后的特征进行上采样得到分割图像。

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”。