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！

龙图腾网获悉沈阳农业大学申请的专利一种基于非模态实例分割的图像非可见区域补全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：CN117115445B 。

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：202311185122.8，技术领域涉及：G06V10/26；该发明授权一种基于非模态实例分割的图像非可见区域补全方法是由邓寒冰;杨景;苗腾;周云成;吴琼设计研发完成，并于2023-09-14向国家知识产权局提交的专利申请。

本一种基于非模态实例分割的图像非可见区域补全方法在说明书摘要公布了：本发明提供一种基于非模态实例分割的图像非可见区域补全方法，涉及计算机视觉技术领域。该方法建立基于SwinTransformer的弱监督学习的非模态实例分割模型，在改进的SwinTransformerUnet分割网络上训练出非可见区域补全网络，从而无需人工注释被遮挡区域的掩膜；同时引入遮挡边界估计，重新设计在遮挡区域和可见区域的预测权重，引入对抗式生成学习的思想，将预测的非可见区域掩膜送入鉴别器中，添加对抗生成的鉴别器损失函数，改良鉴别器输出的掩膜形状。该方法采用弱监督学习的方式，极大的减少了样本遮挡注释成本，同时解决了非模态数据集稀少的问题。补全网络能有效的让具有真值的非模态掩膜的图像数据在补全学习中学习有监督像素补全的信息，从而产生像素补全能力。

本发明授权一种基于非模态实例分割的图像非可见区域补全方法在权利要求书中公布了：1.一种基于非模态实例分割的图像非可见区域补全方法，其特征在于：建立基于SwinTransformer的弱监督学习的非模态实例分割模型，在改进的SwinTransformerUnet分割网络上训练出非可见区域补全网络，从而无需人工注释被遮挡区域的掩膜；同时引入ASBUNet中的遮挡边界估计，重新设计在遮挡区域和可见区域的预测权重，引入对抗式生成学习的思想，将预测的非可见区域掩膜送入鉴别器中，添加对抗生成的鉴别器损失函数，改良鉴别器输出的掩膜形状； 包括以下步骤： 步骤1：获取RGB图像数据集，并进行图像预处理； 步骤2：对图像数据集中的图像进行标注，构建训练集和验证集； 步骤3：构建基于SwinTransformer的弱监督学习的非模态实例分割模型；所述非模态实例分割模型包括4×4卷积核、线性层、编码器、解码器和鉴别器； 所述非模态实例分割模型使用图像的遮挡边界和可见部分的掩膜作为模型的输入；首先使用4×4卷积核对图像行卷积操作，得到一个包含96个通道的张量；然后，在模型中应用线性层进行维度转换；经过线性层后，图像就变成了一系列被分割的特征，这些特征将被进一步输入编码器；所述编码器和解码器均采用了基于改进的SwinTransformerUnet对称架构的SwinTransformerBlock；改进的SwinTransformerUnet作为整个非模态实例分割模型的分割网络主干，编码器通过四个采样层收集浅层特征；然后，这些浅层特征通过跳转连接与解码器收集的深层特征融合；解码器中加入对可见区域掩膜和非可见区域掩膜预测的联合权重，用于对模型损失函数进行调整；鉴别器中引入对抗式生成学习思想，对解码器预测出来的不可见区域掩膜判断并改善掩膜形态； 步骤4：通过三个阶段训练非模态实例分割模型，确定最优模型参数； 步骤5：测试非模态实例分割模型补全能力和遮挡顺序预测能力。

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沈阳农业大学，其通讯地址为：110866 辽宁省沈阳市沈河区东陵路120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。