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！

龙图腾网恭喜中国科学院西安光学精密机械研究所申请的专利基于多尺度特征融合的显著性检测与边缘引导优化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：CN119723273B 。

龙图腾网通过国家知识产权局官网在2025-06-13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：202510206192.X，技术领域涉及：G06V10/80；该发明授权基于多尺度特征融合的显著性检测与边缘引导优化方法是由节静;张高鹏;曹剑中;陈卫宁;叶昊;鲁冬予设计研发完成，并于2025-02-25向国家知识产权局提交的专利申请。

本基于多尺度特征融合的显著性检测与边缘引导优化方法在说明书摘要公布了：本发明公开了基于多尺度特征融合的显著性检测与边缘引导优化方法，解决现有显著性检测方法存在复杂背景下目标显著图检测难、显著图边缘模糊及边缘不平滑的问题，本发明以不包含全连接层的VGG‑16网络为骨干网络，通过引入多尺度特征融合模块完成显著图检测工作；考虑到弱边缘以及背景噪声，设计了CFRL边缘损失函数，该损失函数不仅可以确保模型对不同大小和比例的边缘都具有检测能力，还调整边缘加权方式，避免对背景区域的无意义权重增加，基于该损失函数通过U‑Net网络完成边缘检测；考虑到多尺度特征融合模块得到的预测显著图存在边界模糊且过渡不平滑的问题，通过ES‑fusion模块进行显著图优化，最终得到优化后的显著图。

本发明授权基于多尺度特征融合的显著性检测与边缘引导优化方法在权利要求书中公布了：1.一种基于多尺度特征融合的显著性检测与边缘引导优化方法，其特征在于，包括以下步骤： S1、选用不包含全连接层的VGG-16网络作为骨干网络，将原图输入其中进行预处理，将预处理完成后的原图传入多尺度特征融合模块中；在多尺度特征融合模块中将预处理完成后原图进行显著图检测，得到预测显著图；具体为： S1.1、选用不包含全连接层的VGG-16网络作为骨干网络，将原图输入其中进行预处理，并将VGG-16网络中的block2_conv2层、block3_conv3层、block4_conv3层和block5_conv层输出的预处理完成后的原图分别送入多尺度特征融合模块； S1.2、在多尺度特征融合模块中，分别使用1×1、3×3卷积核对block2_conv2层、block3_conv3层、block4_conv3层和block5_conv层输出的预处理完成后的原图进行卷积操作并进行批量归一化和relu函数激活，分别得到各层的张量y0和y1； S1.3、使用可分离卷积对block2_conv2层、block3_conv3层、block4_conv3层和block5_conv层输出的预处理完成后的原图分别进行5×5、7×7、9×9、11×11、13×13、15×15卷积操作并采用relu函数激活，分别得到各层的张量y2、y3、y4、y5、y6和y7； S1.4、先将各层的张量y2和y5、y3和y6、y4和y7进行相加以综合不同层次的特征信息，再将相加后的结果与对应各层的张量y0和y1拼接在一起，分别形成各层包含多特征尺度的特征图； S1.5、将各层包含多特征尺度的特征图分别输入多尺度特征融合模块中CBAM模块的通道注意力模块内，在空间维度内对各层包含多特征尺度的特征图分别进行全局最大池化和全局平均池化，同时将空间维度压缩为1，并且保留通道信息，得到各层经过全局最大池化和全局平均池化的特征图； S1.6、将各层经过全局最大池化和全局平均池化的特征图输入共享的多层感知机提取特征； S1.7、将各层提取出的特征相加，并将其经过sigmoid函数激活后分别得到各层最终的通道注意力权重； S1.8、将各层的通道注意力权重与对应各层经过全局最大池化和全局平均池化的特征图相乘，得到经过通道注意力模块处理后的各层加权特征图，以关注通道的重要信息； S1.9、将各层的加权特征图输入CBAM模块的空间注意力模块内，在通道维度对其分别进行最大值池化和平均池化，将通道维度压缩为1，并且保留空间信息，得到各层经过最大值池化和平均池化的加权特征图； S1.10、将各层经过最大值池化和平均池化的加权特征图沿着通道维度进行连接操作，则通道维度相应增加，再通过一个卷积层提取特征，随后将通道维度压缩至1，最后经过sigmoid函数激活得到各层最终的空间注意力权重； S1.11、将各层空间注意力权重与对应各层经过最大值池化和平均池化的加权特征图相乘，得到经过空间注意力模块处理后的各层加权特征图，以关注重要信息所在的空间位置； S1.12、将经过空间注意力模块处理后的各层加权特征图进行不同尺度的特征逐步上采样并融合，最终生成一张高分辨率的预测显著图； S2、基于U-Net网络对原图采用CFRL边缘损失函数进行边缘检测，得到边缘图； S3、将预测显著图与边缘图通过ES-fusion模块进行显著图优化，得到优化后的显著图，完成基于多尺度特征融合的显著性检测与边缘引导优化。

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科学院西安光学精密机械研究所，其通讯地址为：710119 陕西省西安市高新区新型工业园信息大道17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”。