買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉安徽理工大學申請的專利一種基于立體注意力的多尺度上下文與多層級特征交互的偽裝目標檢測方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN116740479B 。

龍圖騰網通過國家知識產權局官網在2025-09-09發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202310743306.5，技術領域涉及：G06V10/77；該發明授權一種基于立體注意力的多尺度上下文與多層級特征交互的偽裝目標檢測方法是由夏晨星;陳欣雨;高修菊;葛斌;吳濤林;張夢格;高夢亞設計研發完成，并于2023-06-21向國家知識產權局提交的專利申請。

本一種基于立體注意力的多尺度上下文與多層級特征交互的偽裝目標檢測方法在說明書摘要公布了：本發明公開了一種基于立體注意力的多尺度上下文與多層級特征交互的偽裝目標檢測方法，包括主干網絡、多尺度上下文探索模塊MCE、多層級特征交互模塊MFI以及立體注意力增強模塊SAE。主干網絡提取輸入圖像的多級特征fii＝1,2,3,4；多尺度上下文探索模塊MCE通過多感受野卷積操作漸進式捕捉強相關的多尺度特征；多層級特征交互模塊MFI通過混合交互策略自適應聚合多層級特征，以生成強大的特征表示；立體注意力增強模塊SAE對聚合后的特征自適應分配權重，以過濾不重要信息。值得一提的是，本發明不僅提升了偽裝目標檢測方法性能，還在顯著性目標檢測領域取得了較大進展。

本發明授權一種基于立體注意力的多尺度上下文與多層級特征交互的偽裝目標檢測方法在權利要求書中公布了：1.一種基于立體注意力的多尺度上下文與多層級特征交互的偽裝目標檢測方法，其特征在于，包括以下步驟： 1通過主干網絡Swin-Transformer對輸入的顯著性目標圖像和偽裝目標圖像分別進行特征提取，得到初始特征fii＝1,2,3,4； 2通過多尺度上下文探索模塊MCE對初始特征fii＝1,2,3,4進行特征增強，以捕捉強相關的多尺度特征Iii＝1,2,3,4； 2.1為充分增強主干網絡提取出來的初始特征fii＝1,2,3,4，多尺度上下文探索模塊MCE分為四個分支，逐步集成經由MCE處理后的多尺度特征； 2.2具體來說，初始特征fii＝1,2,3,4首先經過組數為4的組卷積處理，以減少通道數、提升計算效率，其中初始特征fii＝2,3,4與MCE上一個分支的特征相加之后再執行以下操作；然后，這些特征作為輸入并行經過一個卷積核大小為1×1×128的卷積操作C和一個卷積核大小為1×2k+1,2k+1×1的非對稱卷積操作A，這里k表示MCE的第k個分支；其中卷積操作C用于將初始特征重建為128個通道，非對稱卷積用來提取上下文信息；卷積后的特征與輸入特征逐元素相加增加特征多樣性后，再經過填充率為2k的深度可分離卷積來進一步提取重要的多尺度上下文信息；與常規的卷積操作相比，深度可分離卷積的參數數量和運算成本更低； 2.3從上述描述可以看出，前一個分支使用小感受野提取的特征被輸入到下一個大感受野分支作為指導，由此增強多尺度上下文之間的相關性；上述過程可以被公式化為： 其中，down表示降維運算，C表示卷積核大小為1×1的卷積運算，A表示卷積核大小為1×2k+1,2k+1×1的非對稱卷積運算，∑是逐元素加法運算，Dk表示填充率為2k的深度可分離卷積； 2.4將MCE每個分支得到的Skk＝1,2,3,4級聯起來，并與初始特征fii＝1,2,3,4分別相加，最終生成多尺度特征Iii＝1,2,3,4；上述過程可表示為： I＝∑donwf,downCatS1,…,Sk,k＝42 其中，down表示降維操作，∑表示逐元素加法運算，Cat表示級聯操作； 3通過多層級特征交互模塊MFI以混合交互策略自適應對多尺度特征Iii＝1,2,3,4進行聚合，以生成多層級特征yii＝1,2,3,4； 4通過立體注意力增強模塊SAE對聚合后的多層級特征自適應分配權重，以過濾不重要信息、最終獲得高質量的輸出特征Oii＝1,2,3,4； 5對每個高質量的輸出特征Oii＝1,2,3,4執行降維操作，以生成顯著性預測圖或偽裝預測圖，并用真值圖進行監督。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人安徽理工大學，其通訊地址為：232000 安徽省淮南市山南新區泰豐大街168號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。