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！

龙图腾网恭喜安徽大学申请的专利基于条件生成对抗网络的可见光-热红外显著目标检测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：CN114359626B 。

龙图腾网通过国家知识产权局官网在2025-04-08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：202111533990.1，技术领域涉及：G06V10/764；该发明授权基于条件生成对抗网络的可见光-热红外显著目标检测方法是由涂铮铮;杨文芳;李成龙;罗斌;汤进;吕皖丽设计研发完成，并于2021-12-15向国家知识产权局提交的专利申请。

本基于条件生成对抗网络的可见光-热红外显著目标检测方法在说明书摘要公布了：本发明公开一种基于条件生成对抗网络的可见光‑热红外显著目标检测方法，本发明基于条件生成对抗网络模型设计两个生成器，基于对抗学习分别提升查全率和查准率并使之达到平衡，从而得到更精细化的显著目标预测结果；通过全局上下文信息模块整合高层语义特征，整合后的特征作为解码器每层的引导特征包含有更丰富的全局上下文信息；本发明的协同注意力模型融合可见光模态和热红外模态特征的同时，进一步突出前景目标区域，抑制冗余的背景噪声影响，本发明的显著图比其他先进的方法具有更高的置信度。

本发明授权基于条件生成对抗网络的可见光-热红外显著目标检测方法在权利要求书中公布了：1.一种基于条件生成对抗网络的可见光-热红外显著目标检测方法，其特征在于：包括以下步骤：步骤S1、输入同一目标的可见光图像和对应热红外图像，使用两个生成器，每个生成器均含有编码器、解码器和协同注意力模块CAM；且每个生成器均采用共享参数的编码器解码器来处理可见光模态和热红外模态的特征，编码器编码获得输入图像两种模态的多级特征，并将这些特征标记为f1～f5；步骤S2、对于两个生成器，分别将各自所得最深层特征f5经过全局上下文信息模块GCIM处理得到全局特征fglobal，然后将步骤S1所得到的f1～f5和步骤S2得到的全局特征fglobal通过解码器处理；然后使用协同注意力模块CAM来融合两个模态的特征；步骤S2解码器处理特征f1～f5和全局特征fglobal的具体过程为：如果i＝1，则Foutput＝ConvFi+fglobal；如果1i≤4，则Fi＝ConvFi+1+fglobal+fi；如果i＝5，则Fi＝Convfglobal；其中，fi是编码器不同层的提取特征，i表示1～5层特征，Fi是对应层的解码器特征，Conv表示一层3*3卷积和ReLU激活函数实现非线性激活；i+1层特征通过上采样操作保持和i层特征大小一致；步骤S2中使用协同注意力模块CAM融合两个模态特征的过程中，使用通道注意力挖掘模态自身的特征，分别得到两个模态的通道注意力，具体为：CAk＝σMFkp,q；k表示可见光模态RGB或者热红外模态T，M表示最大池化操作，p和q是指像素；利用通道注意力融合两个模态特征： 表示对应像素乘；得到融合特征ffuse，再使用空间注意力进一突出显著目标区域，空间注意力表示为：SAk＝σConvFfusep,q最后的输出特征表示为： *表示3*3卷积操作，W是对应的卷积参数；步骤S3、两个生成器分别得到预测的显著图S1和显著图S2，最后整合两个生成器的输出特征并经过卷积得到最终显著图Sfinal；步骤S4、使用一个判别器，将S1、S2和真值GT分别送入到判别器内进行分类，辅助生成器生成更精细的显著图；步骤S5、通过标注的真值用二元交叉熵BCE损失函数、设计的降低错检率和漏检率的损失函数以及条件生成对抗网络损失函数监督训练网络模型；步骤S5中损失函数G*为： 其中，LαG,D为条件生成对抗网络损失函数，LsgSt,Y为生成器损失函数，LSSfinal,Y为显著损失函数，LscS1,S2为一致性损失函数；St表示不同生成器生成的显著图S1和显著图S2；α，β，γ，ω是控制不同损失的权重参数；显著性损失是最终的预测结果Sfinal和真值之间的交叉熵损失；对抗损失LG,D用于在训练阶段平衡生成网络和判别网络，帮助两个生α成器生成更好的分割结果； Xinput表示输入的RGB图片和热红外图片的平均值，St包括S1和S2，表示两个生成器预测的显著图，Y表示真值，D表示的是判别器函数。

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安徽大学，其通讯地址为：230601 安徽省合肥市经开区九龙路111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”。