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！

龙图腾网获悉长春理工大学申请的专利一种基于注意力和局部拼接的图像级弱监督语义分割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：CN116883650B 。

龙图腾网通过国家知识产权局官网在2025-10-28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：202310649910.1，技术领域涉及：G06V10/26；该发明授权一种基于注意力和局部拼接的图像级弱监督语义分割方法是由黄丹丹;权龙杰;刘智;高凯;刘佳鑫;王星朝设计研发完成，并于2023-06-02向国家知识产权局提交的专利申请。

本一种基于注意力和局部拼接的图像级弱监督语义分割方法在说明书摘要公布了：本发明提供一种基于注意力和局部拼接的图像级弱监督语义分割方法，包括：搭建语义分割网络模型，包括特征提取骨干网络、图像级弱监督模块和一个分割头；所述图像级弱监督模块包括循环多级交叉注意力模块、伪标签生成模块；通过所述特征提取骨干网络提取图像深层特征和语义信息得到特征图；通过循环多级交叉注意力模块引入不同层次特征图像素间长距离依赖，通过伪标签生成模块生成的伪标签作为真实标签；本发明设计了一个完整的端到端的图像级弱监督语义分割网络，仅需要一步就可以解决弱监督语义分割从生成伪标签到训练分割网络两大缺陷，极大简化了弱监督语义分割的网络结构，避免了算法程序的复杂化和过于庞大。

本发明授权一种基于注意力和局部拼接的图像级弱监督语义分割方法在权利要求书中公布了：1.一种基于注意力和局部拼接的图像级弱监督语义分割方法，其特征在于，包括： 获取训练样本集，并对训练样本集中的标签图像进行预处理； 搭建语义分割网络模型，包括特征提取骨干网络、图像级弱监督模块和一个分割头；所述图像级弱监督模块包括循环多级交叉注意力模块、伪标签生成模块；通过所述特征提取骨干网络提取图像深层特征和语义信息得到特征图；通过循环多级交叉注意力模块引入不同层次特征图像素间长距离依赖，通过伪标签生成模块生成的伪标签作为真实标签，伪标签生成模块的其中一个分支用于将特征图无重叠切割成四小块，分别生成四小块类激活图并拼接在一起，所述伪标签生成模块的另一个分支将原始输入图像无重叠切割成四块，以位置权重代替全局权重生成四小块类激活图并拼接在一起；将两个分支拼接后的类激活图拼接得到相加，得到最终类激活图CAM；将类CAM激活图和伪标签输入分割头得到分割效果图； 训练语义分割网络模型选择损失函数将训练出的分割效果图和标签图像进行损失的计算，反向传播到语义分割网络模型中更新网络权重，逐步达到模型最优模式，保存语义分割模型； 所述循环多级交叉注意力模块用于： 将所述特征提取骨干网络输出的特征图fx作为所述循环多级交叉注意力模块的输入特征； 将特征图fx先经过一个三维卷积块，并通过一个BN层生成富含局部信息的浅层特征图f11x； 将浅层特征图f11x分成两部分，每部分分别经过一个一维卷积块，得到了特征图K和Q； 将浅层特征图f11x再经过一个一维卷积块，并通过一个BN层生成富含语义信息的深层特征图f12x； 将深层特征f12x经过一个一维卷积块，得到了特征图V； 其中，特征图K,Q,V均为四维矩阵B×C×H×W，B为表示单次传递给程序用以训练的数据个数，C为特征图的通道数；H为特征图的长，W为特征图的宽； 以特征图K和Q作为输入进行一次Affinity操作，用特征图K的每一个位置所有通道的像素值分别与K对应位置及所在行列上Q的所有通道的像素值进行加权求和，并进行Softmax归一化操作，得到浅层特征图f11x各个像素之间关系的权值矩阵； 将所述权值矩阵与特征图V进行聚合操作，即：用权值矩阵的每一个位置所有通道的像素值，分别与特征图V的每一层通道对应位置和所在行和列的像素值进行加权求和，得到聚合矩阵； 将聚合矩阵和深层特征图f12x对应相加得到特征图f21x； 特征图f21x经过一个一维卷积块再经过一个BN层生成深层特征f22x； 以特征图f21x、f21x作为输入特征再次输入所述循环多级交叉注意力模块，生成最终的特征图f31x。

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长春理工大学，其通讯地址为：130022 吉林省长春市朝阳区卫星路7089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”。

以上内容由龙图腾AI智能生成。