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！

龙图腾网获悉北京大学深圳研究生院申请的专利面向显著性分割的深度图像编码方法、装置、电子设备、介质与产品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：CN119484835B 。

龙图腾网通过国家知识产权局官网在2025-10-10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：202411469537.2，技术领域涉及：H04N19/136；该发明授权面向显著性分割的深度图像编码方法、装置、电子设备、介质与产品是由高伟;栗源;李革设计研发完成，并于2024-10-21向国家知识产权局提交的专利申请。

本面向显著性分割的深度图像编码方法、装置、电子设备、介质与产品在说明书摘要公布了：本申请公开了一种面向显著性分割的深度图像编码方法、装置、电子设备、介质与产品，涉及图像编码技术领域，包括：获取目标图像中各像素点的显著性值，根据各像素点的显著性值确定目标图像的显著性概率分布；基于预设激活函数和显著性概率分布，计算各像素点的权重分配值；根据权重分配值对目标图像的原始潜在特征进行通道裁剪，得到编码潜在特征，基于预设编码网络对编码潜在特征进行编码得到编码结果，其中，对于各权重分配值中的任意一个权重分配值，权重分配值与对应像素点在第一存储比特流中的分配比例相关，权重分配值越大，在第一存储比特流中的对应分配比例越高。本申请解决了深度编码在下游显著性检测任务中性能低下的技术问题。

本发明授权面向显著性分割的深度图像编码方法、装置、电子设备、介质与产品在权利要求书中公布了：1.一种面向显著性分割的深度图像编码方法，其特征在于，所述面向显著性分割的深度图像编码方法包括： 获取目标图像中各像素点的显著性值，根据所述各像素点的显著性值确定所述目标图像的显著性概率分布； 基于预设激活函数和所述显著性概率分布，计算所述各像素点的权重分配值； 根据所述权重分配值对所述目标图像的原始潜在特征进行通道裁剪，得到编码潜在特征，基于预设编码网络对所述编码潜在特征进行编码得到编码结果，其中，对于所述各权重分配值中的任意一个权重分配值，所述权重分配值与对应像素点在第一存储比特流中的分配比例相关，所述权重分配值越大，在所述第一存储比特流中的对应分配比例越高； 其中，所述根据所述权重分配值对所述目标图像的原始潜在特征进行通道裁剪，得到编码潜在特征的步骤包括： 通过预设编码器获取所述目标图像的原始潜在特征； 基于所述权重分配值生成比特分配权重图，将所述比特分配权重图拓展为三维掩码； 将所述三维掩码与所述原始潜在特征进行元素点乘，以裁剪所述权重分配值低于预设权重分配阈值的神经网络通道，得到所述编码潜在特征； 所述面向显著性分割的深度图像编码方法还包括： 对于训练阶段的任意一个预设训练样本图像，对所述预设训练样本图像进行特征提取，得到与所述预设训练样本图像对应的训练编码潜在特征，其中，所述训练编码潜在特征包括第一基础特征和第一增强特征； 基于初始编码网络对所述训练编码潜在特征进行编码，得到训练编码结果； 基于初始解码网络对所述训练编码结果进行解码还原，得到训练重构图像； 基于所述训练重构图像和所述预设训练样本图像之间的均方误差，更新所述初始编码网络和所述初始解码网络中的网络参数； 在达到预设训练条件后，将所述初始编码网络作为所述预设编码网络，将所述初始解码网络作为还原所述编码结果的预设解码网络； 所述初始编码网络包括超先验熵模型和全分解熵模型，所述基于初始编码网络对所述训练编码潜在特征进行编码，得到训练编码结果的步骤包括： 通过所述超先验熵模型对所述第一基础特征进行熵编码，生成第二存储比特流； 通过所述全分解熵模型对所述第一增强特征进行熵编码，生成第三存储比特流； 引入全零特征，结合全分解熵模型对所述第一增强特征进行熵编码，生成第四存储比特流，其中，所述全零特征的维度与所述第一增强特征相同。

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北京大学深圳研究生院，其通讯地址为：518000 广东省深圳市南山区西丽街道深圳大学城北大园区H栋208室；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”。

以上内容由龙图腾AI智能生成。