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

龍圖騰網(wǎng)獲悉湘潭大學(xué)申請(qǐng)的專利一種基于張量和二階協(xié)方差注意力機(jī)制的編解碼結(jié)構(gòu)語(yǔ)義分割模型獲國(guó)家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國(guó)家知識(shí)產(chǎn)權(quán)局授予，授權(quán)公告號(hào)為：CN116310305B 。

龍圖騰網(wǎng)通過(guò)國(guó)家知識(shí)產(chǎn)權(quán)局官網(wǎng)在2025-09-05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(qǐng)?zhí)?專利號(hào)為：202211515772.X，技術(shù)領(lǐng)域涉及：G06V10/26；該發(fā)明授權(quán)一種基于張量和二階協(xié)方差注意力機(jī)制的編解碼結(jié)構(gòu)語(yǔ)義分割模型是由許海霞;劉彥幫;周維;王瑋;朱江;張東波;彭偉;丁凡迅;韓豐;胡開(kāi)宇;許宇婷設(shè)計(jì)研發(fā)完成，并于2022-11-29向國(guó)家知識(shí)產(chǎn)權(quán)局提交的專利申請(qǐng)。

本一種基于張量和二階協(xié)方差注意力機(jī)制的編解碼結(jié)構(gòu)語(yǔ)義分割模型在說(shuō)明書(shū)摘要公布了：本發(fā)明公開(kāi)了一種基于張量和二階協(xié)方差注意力機(jī)制的編解碼結(jié)構(gòu)語(yǔ)義分割模型。本發(fā)明包括以下步驟：1、模型建立，設(shè)計(jì)一種基于張量和二階協(xié)方差注意力機(jī)制的編解碼結(jié)構(gòu)語(yǔ)義分割模型，通過(guò)在編碼器中利用注意力機(jī)制學(xué)習(xí)像素點(diǎn)圖像特征之間的關(guān)聯(lián)性并增強(qiáng)深層語(yǔ)義信息，在解碼器中將淺層和深層語(yǔ)義信息進(jìn)行融合來(lái)捕獲圖像的上下文語(yǔ)義信息，以擴(kuò)大不同類別物體的類間差異性。2、模型訓(xùn)練，首先對(duì)數(shù)據(jù)集預(yù)處理，然后對(duì)建立好的模型進(jìn)行模型訓(xùn)練。3、模型推理，將測(cè)試集的圖像輸入到訓(xùn)練好的模型中，推理測(cè)試圖像的語(yǔ)義類別預(yù)測(cè)值，評(píng)估測(cè)試模型推理的準(zhǔn)確度。本發(fā)明是一種針對(duì)圖像語(yǔ)義分割的神經(jīng)網(wǎng)絡(luò)模型，獲得了在語(yǔ)義分割領(lǐng)域較好的分割效果。

本發(fā)明授權(quán)一種基于張量和二階協(xié)方差注意力機(jī)制的編解碼結(jié)構(gòu)語(yǔ)義分割模型在權(quán)利要求書(shū)中公布了：1.一種基于張量和二階協(xié)方差注意力機(jī)制的編解碼結(jié)構(gòu)語(yǔ)義分割模型，其特征在于包括以下步驟： 步驟1：模型建立； 具體設(shè)計(jì)一種基于張量和二階協(xié)方差注意力機(jī)制的編解碼結(jié)構(gòu)語(yǔ)義分割模型，在編碼器中通過(guò)注意力機(jī)制學(xué)習(xí)像素點(diǎn)圖像特征之間的關(guān)聯(lián)性并增強(qiáng)深層特征的語(yǔ)義信息，在解碼器中通過(guò)將淺層語(yǔ)義信息和深層語(yǔ)義信息進(jìn)行融合來(lái)捕獲圖像豐富的上下文語(yǔ)義信息，以擴(kuò)大不同類別物體的類間差異性，最終提高分割準(zhǔn)確性； 首先，建立編碼器模型Encoder，對(duì)圖像進(jìn)行特征提取，通過(guò)骨干網(wǎng)絡(luò)ResNet-101提取圖像的淺層特征F1到深層特征F4，其中C1、C2是圖像特征的通道數(shù)，H1、H2和W1、W2是圖像特征的高度和寬度； 然后，建立二階協(xié)方差注意力模型SCAM，在通道維度上捕獲全局上下文信息對(duì)圖像特征F4進(jìn)行增強(qiáng)，得到具有增強(qiáng)語(yǔ)義信息的圖像特征X1； 建立張量注意力模型TAM，對(duì)圖像特征X1的上下文信息從空間維度和通道維度進(jìn)行聚合，得到語(yǔ)義辨別力更強(qiáng)的圖像特征圖X2； 最后，建立解碼器模型Decoder，對(duì)X2進(jìn)行上采樣得到特征圖X3，通過(guò)對(duì)淺層特征F1和特征圖X3進(jìn)行融合，得到上下文關(guān)聯(lián)性增強(qiáng)的特征圖，并對(duì)融合后的特征圖進(jìn)行上采樣，通過(guò)雙線性插值得到圖像的語(yǔ)義預(yù)測(cè)圖Y； 其中，建立的二階協(xié)方差注意力模型SCAM，其特征在于： 利用二階統(tǒng)計(jì)量和局部跨通道交互策略，從通道維度增強(qiáng)圖像特征辨別力，具體操作為： 首先計(jì)算兩個(gè)特征圖之間的二階統(tǒng)計(jì)量協(xié)方差： 式中Cov.表示協(xié)方差運(yùn)算； 再利用分組卷積設(shè)計(jì)局部跨通道交互策略，計(jì)算出不同通道語(yǔ)義特征的重要性，最后通過(guò)乘法逐通道加權(quán)到輸入的圖像特征F4，完成在通道維度上對(duì)語(yǔ)義特征的重標(biāo)定： X1＝sigmoidC1DkGroupc×1M⊙F42 式中C1Dk.表示卷積核長(zhǎng)度為k的一維卷積，Groupc×1.表示卷積核大小為c×1的分組卷積，⊙表示沿著通道維度的縮放乘法，M為二階協(xié)方差矩陣， 建立的張量注意力模型TAM，其特征在于： 通過(guò)引入偏置可學(xué)習(xí)參數(shù)張量A，計(jì)算特征圖不同通道不同空間位置的注意力權(quán)重系數(shù)，將經(jīng)典的非局部注意力S矩陣擴(kuò)展為注意力張量Z1，更好地辨別不同位置不同通道的語(yǔ)義特征，具體運(yùn)算如下： Q＝ConvX1；K＝ConvX1；V＝ConvX13 S＝SoftmaxQT×K4 A＝SoftmaxConvX15 Z＝A◎S6 X2＝V×Z1 T8 式中◎表示矩陣S的每一行向量乘以參數(shù)矩陣A中的一個(gè)元素， Conv.表示卷積核大小為1×1的卷積，表示使用廣播機(jī)制的矩陣加法，T為矩陣的轉(zhuǎn)置； 步驟2：模型訓(xùn)練； 對(duì)步驟1所建立的模型進(jìn)行訓(xùn)練，訓(xùn)練到整個(gè)模型收斂為止； 步驟3：模型推理； 將測(cè)試集的圖像輸入到訓(xùn)練好的模型中，推理測(cè)試圖像的語(yǔ)義類別預(yù)測(cè)值，評(píng)估預(yù)測(cè)準(zhǔn)確度。

如需購(gòu)買(mǎi)、轉(zhuǎn)讓、實(shí)施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請(qǐng)人或?qū)＠麢?quán)人湘潭大學(xué)，其通訊地址為：411105 湖南省湘潭市雨湖區(qū)湘潭大學(xué)；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)”。