Document
拖动滑块完成拼图
个人中心

预订订单
服务订单
发布专利 发布成果 人才入驻 发布商标 发布需求

在线咨询

联系我们

龙图腾公众号
首页 专利交易 IP管家助手 科技果 科技人才 科技服务 国际服务 商标交易 会员权益 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索
当前位置 : 首页 > 专利喜报 > 中国矿业大学;江苏比特达信息技术有限公司赵作鹏获国家专利权

中国矿业大学;江苏比特达信息技术有限公司赵作鹏获国家专利权

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!

龙图腾网获悉中国矿业大学;江苏比特达信息技术有限公司申请的专利用于红外图像的交互式卷积与动态聚焦的特征集成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:CN120339779B

龙图腾网通过国家知识产权局官网在2025-08-19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:202510816805.1,技术领域涉及:G06V10/80;该发明授权用于红外图像的交互式卷积与动态聚焦的特征集成方法是由赵作鹏;姚欣茹;刘文文;李露;徐珊珊;胡帅设计研发完成,并于2025-06-18向国家知识产权局提交的专利申请。

用于红外图像的交互式卷积与动态聚焦的特征集成方法在说明书摘要公布了:本发明公开用于红外图像的交互式卷积与动态聚焦的特征集成方法,包括:通过红外相机获得各种真实场景下不同分辨率的红外图像对;对一部分原高分辨率图像进行退化预处理获得低质量高分辨率图像构成混合低分辨率数据集,将处理好的数据集划分成训练集和测试集;构建一个双层特征提取模块进行特征建模;利用处理好的训练集训练网络,优化损失函数;将低分辨率红外图像输入训练好的网络,输出高分辨率重建结果。本发明通过融合局部与全局特征,显著提升红外图像在低对比度、模糊边缘等复杂场景下的超分辨率重建质量,同时保持较高的计算效率。

本发明授权用于红外图像的交互式卷积与动态聚焦的特征集成方法在权利要求书中公布了:1.用于红外图像的交互式卷积与动态聚焦的特征集成方法,其特征在于,包括如下步骤: S1、通过红外相机获得各种真实场景下不同分辨率的红外图像对; S2、对一部分原高分辨率图像进行退化预处理,获得低质量高分辨率图像构成混合低分辨率数据集,将处理好的数据集划分成训练集和测试集; S3、构建一个双层特征提取模块进行特征建模,包括浅层特征提取和深层特征提取两个阶段,先由3×3的卷积核提取浅层特征,捕捉图像中的局部细节和高频信息,再使用深层提取模块关注全局上下文和语义信息,理解图像的整体结构和语义关系,具体为: S3.1-1、所述浅层特征提取模块采用3×3卷积层对输入的低分辨率红外图像进行初步特征提取,输出浅层特征图,设置输入的低分辨率图像为: ; 式中,是图像的空间分辨率,即:高度×宽度,是输入通道数,红外图像为单通道为1,在设定卷积核为的情况下,输出特征图F的每个像素值通过以下公式计算: ; 式中,是卷积核的尺寸空间,是输出特征图的像素坐标,c是输出通道索引,,为输出通道数;是偏置项,初始化为0;是填充后的边界处理; S3.1-2、输入尺寸为,卷积核大小为kk,步长s=1,没有填充即p=0,则输出尺寸如下: ; ; 式中,和是在无填充的情况下输出长和宽; 深层特征提取模块由多个特征融合块堆叠而成,其中的模块使用双向信息交互机制用于增强特征表达能力,包括基于深度卷积的源信息分支和基于注意力机制的信息分支,具体为: S3.2-1、深层特征融合块将卷积分支的特征通过全局平均池化、1×1卷积层和Sigmoid激活函数生成通道注意力图,用于增强自注意力分支的特征表示,其中,全局平均池化捕获全局上下文信息,避免局部偏差,对每个通道计算全局均值,得到通道描述符: ; 其中,是输入特征X在位置(i,j)的第c个通道值,是所有通道; S3.2-2、通过通道注意力机制增强特征表示,即:利用卷积分支来提取局部特征,自注意力分支建模全局依赖关系、通道注意力图动态调整特征权重,融合两者优势,其中通过1×1卷积压缩通道数,降维到Cr,r是压缩比: ; 式中,,s是压缩后的特征向量,且;另外,通道注意力图中采用激活函数,公式如下: ; 式中的ReLU为非线性变换; S3.2-3、双向信息交互机制的另一信息分支来自空间交互模块,将自注意力分支的特征通过1×1卷积层和Sigmoid激活函数生成空间注意力图,用于增强卷积分支的特征表示,其中在生成空间注意力权重时通过全连接层和Sigmoid激活函数,生成空间注意力权重: ; ; 式中,是全连接层权重,属于实数范围,是偏置项;是sigmoid函数,确保权重值; 所述深层特征融合块采用双分支并行结构,包括卷积分支和自注意力分支,并通过双向信息交互机制实现通道与空间维度的特征增强,具体步骤为: S3.3-1、卷积分支采用双路径深度卷积结构,第一路径采用3×3深度卷积,第二路径采用5×5深度卷积,两路径的输出通过1×1卷积进行降维后拼接,形成最终卷积分支特征,两个路径的特征输出计算如下公式: ; ; 式中,X属于是输入特征,H×W为空间分辨率,C为通道数,K表示的卷积核,b是该卷积核大小下的可选偏置项;将两个分支的输出特征图在通道维度上直接拼接,形成最终融合特征,融合双路径特征的公式如下: ; 式中,和是两个路径输出的特征,是1×1降维卷积操作,其卷积核大小为1×1; S3.3-2、所述自注意力分支采用窗口划分与多头自注意力机制,用于建模全局依赖关系,即将输入特征划分为多个非重叠窗口,在每个窗口内计算自注意力、采用多头自注意力机制,将特征划分为多个子空间并行计算、采用窗口偏移策略,增强不同窗口间的信息交互,通过计算特征之间的相关性来生成注意力权重,具体公式如下: ; 其中,Z是经过自注意力加权后的特征表示,包含了全局上下文信息,D是特征的维度,Softmax是归一化指数函数,Q、K和V是输入特征X分别映射到查询、键和值; S4、利用处理好的训练集训练网络,优化损失函数; S5、将低分辨率红外图像输入训练好的网络,输出高分辨率重建结果。

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中国矿业大学;江苏比特达信息技术有限公司,其通讯地址为:221000 江苏省徐州市铜山区大学路1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”。

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。