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！

龙图腾网获悉广东工业大学申请的专利一种基于时空上下文场景关系传播的视频显著性物体检测方法及系统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：CN119832480B 。

龙图腾网通过国家知识产权局官网在2025-11-07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：202510043748.8，技术领域涉及：G06V20/40；该发明授权一种基于时空上下文场景关系传播的视频显著性物体检测方法及系统是由邱淑洁;甘国基;龙志全;杨杰;姬玉柱;张逸群;曾安设计研发完成，并于2025-01-10向国家知识产权局提交的专利申请。

本一种基于时空上下文场景关系传播的视频显著性物体检测方法及系统在说明书摘要公布了：本发明提供了一种基于时空上下文场景关系传播的视频显著性物体检测方法，涉及视频显著性物体检测的技术领域。首先，对视频帧序列中每一帧视频进行场景解析，获得每一帧视频对应的实例级对象。接着，提取每一帧视频及其对应的实例级对象的全局实例级特征、局部实例级特征及帧内低级特征。然后，从相同的视频帧序列中随机采样任一帧视频的匹配帧，提取匹配帧全局实例级特征，将全局实例级特征整合到匹配帧全局实例级特征中，得到视频帧间的时间特征；使用密集空间注意机制将局部实例级特征集成到全局实例级特征，得到空间特征。将时间特征和空间特征进行特征拼接，得到时空特征。将时空特征和全局实例级特征输入到基于门控循环单元的卷积神经网络中进行更新，得到高级时空特征。最后，将帧内低级特征和高级时空特征进行特征融合后解码，生成视频显著性物体掩码检测结果。本发明利用了视频中丰富的帧间和帧内场景关系信息，提高了在复杂场景中视频显著性物体检测的准确率。

本发明授权一种基于时空上下文场景关系传播的视频显著性物体检测方法及系统在权利要求书中公布了：1.一种基于时空上下文场景关系传播的视频显著性物体检测方法，其特征在于，包括以下步骤： S1：对视频帧序列中每一帧视频进行场景解析，获得每一帧视频对应的实例级对象； S2：提取每一帧视频及其对应的实例级对象的特征，所述特征包括：全局实例级特征、局部实例级特征及帧内低级特征； S3：从相同的视频帧序列中随机采样任一帧视频的匹配帧，提取匹配帧全局实例级特征，将全局实例级特征整合到匹配帧全局实例级特征中，得到视频帧间的时间特征； 所述步骤S3包括： 将当前帧的全局实例级特征进行线性投影变换计算，然后和匹配帧的全局实例级特征进行矩阵乘法操作，得到描述输入特征之间的重要性分数： 式中，Linear表示线性投影变换，表示xi的转置，xi表示全局实例级特征，表示匹配帧的全局实例级特征，·表示矩阵乘法操作，αi表示描述输入特征之间的重要性分数； 对全局实例级特征的重要性过滤和优化，保留显著部分的信息，得到注意力优化后的特征： βi＝xi·softmaxαi 式中，softmax表示激活函数，βi注意力优化后的特征； 将注意力优化的特征，通过卷积操作，提取时间特征： 式中，σ表示Sigmoid激活函数，表示时间特征； S4：使用密集空间注意机制将局部实例级特征集成到全局实例级特征，得到空间特征； 所述步骤S4包括： 对局部实例级特征进行线性投影变换计算得到的注意力权重分数： 式中，αi←j表示注意力权重分数，Linear表示线性投影变换，zi,j表示局部实例级特征，j＝1,2,···,m表示从第i帧提取的实例级对象的索引； 对局部实例级特征进行加权，突出显著的特征，得到注意力优化后的特征： βi←j＝zi,j·softmaxαi←j 式中，βi←j表示加权后的特征； 通过非线性变换和卷积操作，提取局部特征： zi←j＝σCONVβi←j*βi←j 式中，zi←j表示第j个实例特征被传播到当前的第i帧的局部特征； 将多个局部特征进行特征拼接和卷积操作，得到空间特征： 式中，表示空间特征，CAT表示特征拼接操作； S5：将步骤S3所述的时间特征和步骤S4所述的空间特征进行特征拼接，得到时空特征； S6：将时空特征和全局实例级特征输入到基于门控循环单元的卷积神经网络中进行更新，得到高级时空特征； S7：将帧内低级特征和高级时空特征进行特征融合后解码，生成视频显著性物体掩码检测结果。

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广东工业大学，其通讯地址为：510080 广东省广州市越秀区东风东路729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。