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！

龙图腾网获悉数字宁波科技有限公司申请的专利一种基于轻量级神经网络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：CN119741580B 。

龙图腾网通过国家知识产权局官网在2025-06-10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：202510246732.7，技术领域涉及：G06V10/80；该发明授权一种基于轻量级神经网络的显著性目标检测方法是由李晓儿;李卓;卫学彬;余镭;梅浩;邵枫;金东泽设计研发完成，并于2025-03-04向国家知识产权局提交的专利申请。

本一种基于轻量级神经网络的显著性目标检测方法在说明书摘要公布了：本发明公开了一种基于轻量级神经网络的显著性目标检测方法，其搭建了一个轻量级神经网络，轻量级神经网络主要由高层轻量融合模块、低层轻量融合模块、二阶段解码器构成；轻量级神经网络由特征提取模块、高层轻量融合模块、低层轻量融合模块、二阶段解码器构成：特征提取模块采用MobileViT‑XS骨干网络，从彩色可见光图像、红外图像中提取特征；高层轻量融合模块和低层轻量融合模块，使用卷积来提取局部信息，并使用改进的交叉注意操作来缩小可见光和红外模态之间的差距；二阶段解码器，对三个高级特征进行密集连接，生成一个引导特征，引导两个低级特征融合产生最终结果。本发明能在低参数量和计算量下有效提高显著性目标检测准确度。

本发明授权一种基于轻量级神经网络的显著性目标检测方法在权利要求书中公布了：1.一种基于轻量级神经网络的显著性目标检测方法，首先构建一个包含数对彩色可见光图像和与其对应的红外图像的训练集，并搭建一个轻量级神经网络；其次将训练集中的数对彩色可见光图像和与其对应的红外图像输入到神经网络中进行若干次网络训练，网络训练结束后得到神经网络训练模型；再次使用神经网络训练模型对测试图像对进行预测，得到显著性目标图像，其特征在于：所述的轻量级神经网络由特征提取模块、高层轻量融合模块、低层轻量融合模块、二阶段解码器构成：特征提取模块采用MobileViT-XS骨干网络，从彩色可见光图像、红外图像中提取特征；高层轻量融合模块和低层轻量融合模块，使用卷积来提取局部信息，并使用改进的交叉注意操作来缩小可见光和红外模态之间的差距；二阶段解码器，对三个高级特征进行密集连接，生成一个引导特征，引导两个低级特征融合产生最终结果；所述的特征提取模块包括两个MobileViT-XS骨干网路；第1个MobileViT-XS骨干网络的第一层接收彩色可见光图像，输出的特征图记为，第1个MobileViT-XS骨干网络的第二层接收，输出的特征图记为，第1个MobileViT-XS骨干网络的第三层接收，输出的特征图记为，第1个MobileViT-XS骨干网络的第四层接收，输出的特征图记为，第1个MobileViT-XS骨干网络的第五层接收，输出的特征图记为；第2个MobileViT-XS骨干网络的第一层接收红外图像，输出的特征图记为，第2个MobileViT-XS骨干网络的第二层接收，输出的特征图记为，第2个MobileViT-XS骨干网络的第三层接收，输出的特征图记为，第2个MobileViT-XS骨干网络的第四层接收，输出的特征图记为，第2个MobileViT-XS骨干网络的第五层接收，输出的特征图记为；所述的低层轻量融合模块包括结构相同的两个低层轻量融合块；第1个低层轻量融合块接收和，输出的特征图记为；第2个低层轻量融合块接收和，输出的特征图记为；所述的高层轻量融合模块包括结构相同的三个高层轻量融合块；第1个高层轻量融合块接收和，输出的特征图记为；第2个高层轻量融合块接收和，输出的特征图记为；第3个高层轻量融合块接收和，输出的特征图记为；所述的二阶段解码器的接收、、、和，输出的特征图记为，，，，并将作为最终的显著性目标图像；三个高层轻量融合块的结构相同，对于第个高层轻量融合块，卷积层的输入端接收，其中，BatchNormalization层的输入端接收该卷积层的输出端输出的特征图，ReLU函数的输入端接收该BatchNormalization层的输出端输出的特征图，卷积层的输入端接收该ReLU函数的输出端输出的特征图，输出的特征图记为；另一个卷积层的输入端接收，BatchNormalization层的输入端接收该卷积层的输出端输出的特征图，ReLU函数的输入端接收该BatchNormalization层的输出端输出的特征图，卷积层的输入端接收该ReLU函数的输出端输出的特征图，输出的特征图记为;对和进行展开操作，由格式转化为格式，其中，且，并将得到的特征图记为和；一个全连接层的输入端接收，ReLU函数的输入端接收该全连接层输出的特征图，输出的特征图记为；一个全连接层的输入端接收，ReLU函数的输入端接收该全连接层输出的特征图，输出的特征图记为；对和进行通道连接操作，并将得到的特征图记为；一个全连接层的输入端接收，输出的特征图记为；一个全连接层的输入端接收，Softmax函数的输入端接收该全连接层输出的特征图，输出的特征图记为；对和进行元素相乘操作，并在格式中的N维度进行求和操作，并将得到的特征图记为；对和进行元素相乘操作，全连接层的输入端接收该元素相乘操作的结果，输出的特征图记为，对和进行元素相加操作，并将得到的特征图记为；一个全连接层的输入端接收，SiLU函数的输入端接收该全连接层的输出端输出的特征图，一个全连接层的输入端接收该SiLU函数的输出端输出的特征图，输出的特征图记为，对和进行元素相加操作，并将得到的特征图记为；对和进行元素相乘操作，全连接层的输入端接收该元素相乘操作的结果，输出的特征图记为，对和进行元素相加操作，并将得到的特征图记为，一个全连接层的输入端接收，SiLU函数的输入端接收该全连接层的输出端输出的特征图，一个全连接层的输入端接收该SiLU函数的输出端输出的特征图，输出的特征图记为，对和进行元素相加操作，并将得到的特征图记为；重复一次从和生成和的过程，其中上一次生成的和将作为下一个过程中的和，最后得到的输出记为和；对和进行折叠操作，由格式转化为格式，得到的特征图记为与，其中，，且与和的尺寸相同；对和进行通道连接操作，得到的特征图输入到卷积层的输入端，BatchNormalization层的输入端接收该卷积层的输出端输出的特征图，ReLU函数的输入端接收该BatchNormalization层的输出端输出的特征图，输出的特征图记为，对和进行元素相加操作，得到的特征图记为；对和进行通道连接操作，得到的特征图输入到卷积层的输入端，BatchNormalization层的输入端接收该卷积层的输出端输出的特征图，ReLU函数的输入端接收该BatchNormalization层的输出端输出的特征图，输出的特征图记为，对和进行元素相加操作，得到的特征图记为；对和进行通道连接操作，得到的特征图输入到卷积层的输入端，BatchNormalization层的输入端接收该卷积层的输出端输出的特征图，ReLU函数的输入端接收该BatchNormalization层的输出端输出的特征图，输出的特征图记为，即为第个高层轻量融合块的输出端输出的特征图。

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数字宁波科技有限公司，其通讯地址为：315000 浙江省宁波市鄞州区邱隘镇中山东路2622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”。