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！

龙图腾网恭喜浙江大学申请的专利使用生成式参数的层次性显著建模的显著性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：CN114463614B 。

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：202210087655.1，技术领域涉及：G06V20/00；该发明授权使用生成式参数的层次性显著建模的显著性目标检测方法是由张文虎;郑良立;李玺设计研发完成，并于2022-01-25向国家知识产权局提交的专利申请。

本使用生成式参数的层次性显著建模的显著性目标检测方法在说明书摘要公布了：本发明公开了一种使用生成式参数的层次性显著建模的显著性目标检测方法，用于在给定彩色图像的情况下，对彩色图像中的显著物体做像素级的细粒度分割。该方法具体包括如下步骤：获取训练该任务的图像数据集；建立用于提取彩色图像的主干深度神经网络；建立使显著性层次建模策略对于输入图片更有适应性的层次信号生成模块；建立用于对输入图像进行显著性层次建模的显著性层次模块；基于前述模型结构进行预测模型训练，并得到最终的训练好的神经网络模型。本发明适用于RGB场景下的显著性目标检测，面对各类复杂情况具有较佳的效果和鲁棒性。

本发明授权使用生成式参数的层次性显著建模的显著性目标检测方法在权利要求书中公布了：1.一种使用生成式参数的层次性显著建模的显著性目标检测方法，其特征在于包括以下步骤：S1、获取用于训练显著性目标检测网络的彩色图像数据集，并对其梯度响应图进行划分；S2、基于主干深度神经网络、层次信号生成模块、以及多个显著性层次模块，构建形成显著性目标检测网络，其中所述主干深度神经网络用于提取输入的RGB彩色图像的图像特征，所述层次信号生成模块用于根据所述图像特征生成使显著性层次建模策略对于输入的彩色图像更有适应性的层次信号，所述多个显著性层次模块级联连接，用于结合所述图像特征和所述层次信号对输入的彩色图像进行显著性层次建模，从而最终输出显著性目标分割图；S3、基于所述彩色图像数据集对构建的显著性目标检测网络进行模型训练，并利用最终训练好的显著性目标检测网络对待检测的彩色图像进行显著性目标检测；所述S1的具体实现步骤包括：S11、获取彩色图像数据集作为显著性目标检测网络的训练数据，其中的每一个训练样本均包括单帧彩色图像Itrain以及对应人工标注的显著目标分割图Ptrain；S12、对于每一帧彩色图像Itrain，将其输入在ImageNet上预训练过的ResNet-50模型中，获取其对应的梯度响应图Gsal，根据预设的阈值将Gsal划分为互不重叠的N部分{p1,p2,…,pN}，其中N为彩色图像Itrain的显著性层级的数量；所述S2中，用于提取图像特征的主干深度神经网络由K层卷积块级联而成，所述卷积块采用ResNet-50或VGG-16，其中第k层卷积块的输出经过编码层编码后得到图像特征Fk，所有K层卷积块对应的图像特征组成{F1,F2,…,FK}。所述S2中，所述层次信号生成模块中的具体流程如下：S211、层次信号生成模块中先使用一个transformer解码器来生成层次信号，transformer解码器包含L个transformer解码层，每一层transformer解码层均按照顺序计算输入的图像特征FK与可学习的查询变量Q0的相似度，任意第l层transformer解码层中的计算过程为：Ql＝MLPMCAMSAQl-1,FK，l＝1,2,…,L其中：Ql-1、Ql分别为第l-1层、第l层transformer解码层输出的计算结果，MSA·，MCA·，MLP·分别表示多头自注意力模块，多层互注意力模块和多层感知机模块；S212、在获得最后一层transformer解码层的输出QL后，使用一个所有显著性层级共享的MLP层将其映射成层次信号： 其中sn为第n层显著性层级的显著性信号，是QL的第n项；最终将所有显著性层级的显著性信号组合形成层次信号为{s1,s2,…,sN}；所述S2中，显著性目标检测网络中共包含K个显著性层次模块，每个所述显著性层次模块包含N个分支，对应于N个显著性层级；K个显著性层次模块按照级联顺序反序编号，位于最前端的为第K个显著性层次模块，位于最末端的为第1个显著性层次模块；对于任意第k个显著性层次模块，其中的流程具体如下：S221、显著性层次模块中先将输入的特征使用分类器生成副语义掩码： 其中，Hk为第k个显著性层次模块的输入特征，其中级联于最前端的显著性层次模块以图像特征Fk为输入特征，其余显著性层次模块以上一个显著性层次模块的输出Hk-1为输入特征；是副语义掩码，softmax·是通道维度上的softmax计算，Conv3x3·是可学习的3×3卷积层；再将展开为N个不同语义层级对应的副语义掩码每一个掩码都代表着输入图像的不同语义层级；利用副语义掩码将Hk划分为N部分其中： 其中，表示逐元素相乘，表示第n个语义层级对应的特征；S222、基于S221中获得的特征以及S212中获得的层次信号{s1,s2,…,sN}，分别用每一个显著性信号sn处理对应的第n个语义层级，通过将信号被转化为网络的卷积核并与特征进行计算： 其中*为2D卷积操作，为对显著性信号sn使用转化层生成的卷积核，为计算获得的特征；S223、将主干深度神经网络输出的特征Fk-1与S222中获得的特征聚合到一起： 其中，Hk-1表示第k个显著性层次模块的最终输出，Concat·表示连接操作，k＝1时F0为空矩阵；第1个显著性层次模块的最终输出H1经过3×3卷积层后输出输入图像的显著性目标分割图

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浙江大学，其通讯地址为：310058 浙江省杭州市西湖区余杭塘路866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”。