買專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費！專利年費監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉浙江工業(yè)大學(xué)申請的專利一種融合空間注意力和自注意變換網(wǎng)絡(luò)的雷達(dá)分割方法獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識產(chǎn)權(quán)局授予，授權(quán)公告號為：CN114119615B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-08-29發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請?zhí)?專利號為：202111204699.X，技術(shù)領(lǐng)域涉及：G06V10/25；該發(fā)明授權(quán)一種融合空間注意力和自注意變換網(wǎng)絡(luò)的雷達(dá)分割方法是由劉盛;曹益烽;李丁達(dá);黃文豪;陳勝勇設(shè)計研發(fā)完成，并于2021-10-15向國家知識產(chǎn)權(quán)局提交的專利申請。

本一種融合空間注意力和自注意變換網(wǎng)絡(luò)的雷達(dá)分割方法在說明書摘要公布了：本發(fā)明公開了一種融合空間注意力和自注意變換網(wǎng)絡(luò)的雷達(dá)分割方法，將原始點云采用實例注入的方法，獲得實例增強后的點云數(shù)據(jù)，增強后的點云數(shù)據(jù)提取每個點的特征，每一個體素保留特征值最大的點作為體素的特征，將體素特征和體素坐標(biāo)構(gòu)建稀疏張量，通過融合稀疏空間注意力和Transformer的類unet網(wǎng)絡(luò)提取體素特征。網(wǎng)絡(luò)輸出體素語義信息，并轉(zhuǎn)化為點云的語義信息，輸出語義分割結(jié)果。本發(fā)明提高了網(wǎng)絡(luò)預(yù)測邊緣類別的精度。

本發(fā)明授權(quán)一種融合空間注意力和自注意變換網(wǎng)絡(luò)的雷達(dá)分割方法在權(quán)利要求書中公布了：1.一種融合空間注意力和自注意變換網(wǎng)絡(luò)的雷達(dá)分割方法，其特征在于，所述融合空間注意力和自注意變換網(wǎng)絡(luò)的雷達(dá)分割方法，包括： S1、將原始點云采用實例注入的方法，獲得實例增強后的點云數(shù)據(jù)； S2、將所述增強后的點云數(shù)據(jù)經(jīng)過MLP模塊提取每個點的特征，每一個體素保留特征值最大的點作為體素的特征； S3、將體素特征和體素坐標(biāo)構(gòu)建成稀疏張量，輸入構(gòu)建好的語義分割網(wǎng)絡(luò)進(jìn)行訓(xùn)練，輸出體素語義信息，并轉(zhuǎn)化為點云的語義信息，輸出語義分割結(jié)果，所述語義分割網(wǎng)絡(luò)包括多個階段，每個階段從輸入側(cè)到輸出側(cè)依次包括編碼器和解碼器，第一階段的編碼器前還包括拓展維度的線性層，第一階段的解碼器后還包括SegHead層；各階段所述編碼器結(jié)合不對稱殘差卷積模塊和空間注意力機制對輸入特征進(jìn)行編碼，強化語義信息，獲得編碼器的輸出特征；除最后一階段的其他階段編碼器的輸出特征經(jīng)過下采樣層后傳遞給下一階段的編碼器；最后一階段的編碼器的輸出特征傳入自注意變換網(wǎng)絡(luò)Transformer；每階段的編碼器的輸出特征與下一階段解碼器的輸出特征經(jīng)過上采樣層后共同輸入到本階段的解碼器中；第一階段解碼器的輸出特征經(jīng)過所述SegHead層輸出點云中每個體素屬于每個類的概率； 其中，所述SegHead層從輸入側(cè)到輸出側(cè)依次包括3x3x3卷積層、BatchNorm層和ReLU激活函數(shù)； 所述不對稱殘差模塊輸入特征經(jīng)過兩個分支，第一分支從輸入側(cè)到輸出側(cè)依次經(jīng)過1x3x3卷積層、BatchNorm層、ReLU激活函數(shù)、3x1x3卷積層、BatchNorm層和ReLU激活函數(shù)；第二分支從輸入側(cè)到輸出側(cè)依次經(jīng)過3x1x3卷積層、BatchNorm層、ReLU激活函數(shù)、3x1x3卷積層、BatchNorm層和ReLU激活函數(shù)，所述的不對稱殘差卷積模塊將以上兩個分支通過元素相加得到輸出特征； 所述的空間注意力機制輸入特征依次經(jīng)過3x3x3卷積層、BatchNorm層，ReLU激活函數(shù)得到特征1，然后經(jīng)過1x1x1卷積層、BatchNorm層和sigmoid激活函數(shù)得到特征2，所述的特征1和所述的特征2元素相加的到特征3，特征3和空間注意力機制輸入元素相乘的到空間注意力機制的輸出； 所述自注意變換網(wǎng)絡(luò)，首先對位置信息進(jìn)行位置編碼計算得到點與點之間的位置關(guān)系特征，然后與特征信息相融合，融合后的信息先后經(jīng)過兩次layerNorm層、self-attention模塊和MLP層，跳躍連接對輸入和self-attention模塊兩者特征相加；self-attention模塊輸入特征分別經(jīng)過三個線性層的到query，key和value特征，再用query特征和key特征的轉(zhuǎn)置矩陣相乘得到注意力圖特征，最后將注意力圖特征經(jīng)過softmax后與value特征相乘作為模塊的輸出特征。

如需購買、轉(zhuǎn)讓、實施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請人或?qū)＠麢?quán)人浙江工業(yè)大學(xué)，其通訊地址為：310014 浙江省杭州市下城區(qū)潮王路18號；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。