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！

龙图腾网获悉宁波大学申请的专利彩色可见光与红外图像显著性目标检测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：CN116863150B 。

龙图腾网通过国家知识产权局官网在2025-11-11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：202310781940.8，技术领域涉及：G06V10/40；该发明授权彩色可见光与红外图像显著性目标检测方法是由金东泽;邵枫设计研发完成，并于2023-06-29向国家知识产权局提交的专利申请。

本彩色可见光与红外图像显著性目标检测方法在说明书摘要公布了：本发明公开了一种彩色可见光与红外图像显著性目标检测方法，其构建一个包含数对彩色可见光图像和与其对应的红外图像的训练集，并搭建一个神经网络，神经网络主要由特征提取模块、非对称特征互补模块、特征选择与融合模块、语义增强解码器构成，非对称特征互补模块由彩色可见光特征互补模块和红外特征互补模块构成；将训练集中的数对彩色可见光图像和与其对应的红外图像输入到神经网络中进行多轮网络训练，网络训练结束后得到神经网络训练模型；使用神经网络训练模型对测试图像对进行预测，预测得到测试图像对的显著性目标图像；优点是其能够有效地提高显著性目标检测的准确度。

本发明授权彩色可见光与红外图像显著性目标检测方法在权利要求书中公布了：1.一种彩色可见光与红外图像显著性目标检测方法，该方法首先构建一个包含数对彩色可见光图像和与其对应的红外图像的训练集，并搭建一个神经网络；其次将训练集中的数对彩色可见光图像和与其对应的红外图像输入到神经网络中进行多轮网络训练，网络训练结束后得到神经网络训练模型；再次使用神经网络训练模型对测试图像对进行预测，预测得到测试图像对的显著性目标图像，其特征在于：所述的神经网络主要由特征提取模块、非对称特征互补模块、特征选择与融合模块、语义增强解码器构成，其中： 所述的特征提取模块包括两个ResNet50骨干网路；第1个ResNet50骨干网络的第一层的输入端接收一幅大小为H×W×3的彩色可见光图像，第1个RseNet50骨干网络的第一层的输出端输出的特征图记为FR1，第1个ResNet50骨干网络的第二层的输入端接收FR1，第1个RseNet50骨干网络的第二层的输出端输出的特征图记为FR2，第1个ResNet50骨干网络的第三层的输入端接收FR2，第1个RseNet50骨干网络的第三层的输出端输出的特征图记为FR3，第1个ResNet50骨干网络的第四层的输入端接收FR3，第1个RseNet50骨干网络的第四层的输出端输出的特征图记为FR4，第1个ResNet50骨干网络的第五层的输入端接收FR4，第1个RseNet50骨干网络的第五层的输出端输出的特征图记为FR5；第2个ResNet50骨干网络的第一层的输入端接收一幅大小为H×W×3的红外图像，第2个RseNet50骨干网络的第一层的输出端输出的特征图记为FT1，第2个ResNet50骨干网络的第二层的输入端接收FT1，第2个RseNet50骨干网络的第二层的输出端输出的特征图记为FT2，第2个ResNet50骨干网络的第三层的输入端接收FT2，第2个RseNet50骨干网络的第三层的输出端输出的特征图记为FT3，第2个ResNet50骨干网络的第四层的输入端接收FT3，第2个RseNet50骨干网络的第四层的输出端输出的特征图记为FT4，第2个ResNet50骨干网络的第五层的输入端接收FT4，第2个RseNet50骨干网络的第五层的输出端输出的特征图记为FT5；其中，ResNet50骨干网络共有五层，FR1和FT1的大小为FR2和FT2的大小为FR3和FT3的大小为FR4和FT4的大小为FR5和FT5的大小为 所述的非对称特征互补模块由彩色可见光特征互补模块和红外特征互补模块构成； 所述的彩色可见光特征互补模块包括结构相同的五个彩色可见光特征互补块，彩色可见光特征互补块主要由第1个卷积层至第5个卷积层、第1个BatchNormalization层至第5个BatchNormalization层、第1个ReLU激活层至第5个ReLU激活层组成；第1个彩色可见光特征互补块的第一输入端接收FR1、第二输入端接收FT1，第1个彩色可见光特征互补块的输出端输出的特征图记为第2个彩色可见光特征互补块的第一输入端接收FR2、第二输入端接收FT2，第2个彩色可见光特征互补块的输出端输出的特征图记为第3个彩色可见光特征互补块的第一输入端接收FR3、第二输入端接收FT3，第3个彩色可见光特征互补块的输出端输出的特征图记为第4个彩色可见光特征互补块的第一输入端接收FR4、第二输入端接收FT4，第4个彩色可见光特征互补块的输出端输出的特征图记为第5个彩色可见光特征互补块的第一输入端接收FR5、第二输入端接收FT5，第5个彩色可见光特征互补块的输出端输出的特征图记为其中，的大小为的大小为的大小为的大小为的大小为 所述的红外特征互补模块包括结构相同的五个红外特征互补块，红外特征互补块主要由第6个卷积层至第9个卷积层、第6个BatchNormalization层至第9个BatchNormalization层、第6个ReLU激活层至第9个ReLU激活层、第1个空间注意力层组成；第1个红外特征互补块的第一输入端接收FT1、第二输入端接收FR1，第1个红外特征互补块的输出端输出的特征图记为第2个红外特征互补块的第一输入端接收FT2、第二输入端接收FR2，第2个红外特征互补块的输出端输出的特征图记为第3个红外特征互补块的第一输入端接收FT3、第二输入端接收FR3，第3个红外特征互补块的输出端输出的特征图记为第4个红外特征互补块的第一输入端接收FT4、第二输入端接收FR4，第4个红外特征互补块的输出端输出的特征图记为第5个红外特征互补块的第一输入端接收FT5、第二输入端接收FR5，第5个红外特征互补块的输出端输出的特征图记为其中，的大小为的大小为的大小为的大小为的大小为 所述的特征选择与融合模块包括五个结构相同的特征选择与融合块，特征选择与融合块主要由第1个平均池化层、第2个平均池化层、第1个最大池化层、第2个最大池化层、第1个全连接层、第2个全连接层、第1个Sigmoid激活层、第2个Sigmoid激活层、第10个卷积层至第19个卷积层、第10个BatchNormalization层至第17个BatchNormalization层、第10个ReLU激活层至第12个ReLU激活层、第1个PReLU激活层至第6个PReLU激活层组成；第1个特征选择与融合块的第一输入端接收第二输入端接收第1个特征选择与融合块的输出端输出的特征图记为第2个特征选择与融合块的第一输入端接收第二输入端接收第2个特征选择与融合块的输出端输出的特征图记为第3个特征选择与融合块的第一输入端接收第二输入端接收第3个特征选择与融合块的输出端输出的特征图记为第4个特征选择与融合块的第一输入端接收第二输入端接收第4个特征选择与融合块的输出端输出的特征图记为第5个特征选择与融合块的第一输入端接收第二输入端接收第5个特征选择与融合块输出的特征图记为其中，的大小为的大小为的大小为的大小为的大小为 所述的语义增强解码器包括三个结构相同的语义增强解码块，语义增强解码块主要由第20个卷积层至第29个卷积层、第18个BatchNormalization层至第23个BatchNormalization层、第13个ReLU激活层至第19个ReLU激活层、第3个Sigmoid激活层、Transformer层、第2个空间注意力层、第1个通道注意力层、第2个通道注意力层、第1个上采样层至第3个上采样层组成；第1个语义增强解码块的第一输入端接收第二输入端接收第三输入端接收第1个语义增强解码块的输出端输出的特征图记为S1，并将S1作为第1幅粗显著性目标图像；第2个语义增强解码块的第一输入端接收第二输入端接收第三输入端接收第2个语义增强解码块的输出端输出的特征图记为S2，并将S2作为第2幅粗显著性目标图像；第3个语义增强解码块的第一输入端接收第二输入端接收第三输入端接收第3个语义增强解码块的输出端输出的特征图记为S3，并将S3作为第3幅粗显著性目标图像；其中，S1的大小为S2的大小为S3的大小为 将第1幅粗显著性目标图像S1、第2幅粗显著性目标图像S2、第3幅粗显著性目标图像S3进行逐元素相加操作并进行上采样操作，将得到的特征图记为Sf，并将Sf作为最终的显著性目标图像；其中，上采样操作的模式为双线性，Sf的大小为H×W×1； 神经网络训练模型的获得过程为：将训练集中的每对彩色可见光图像和与其对应的红外图像输入到神经网络中进行网络训练，在每轮网络训练结束之前计算损失函数L来优化神经网络，在总共进行150轮网络训练后得到神经网络训练模型；其中，在网络训练的前40轮中在网络训练的后110轮中Sf表示神经网络输出的最终的显著性目标图像，G表示标签图像，Sj表示神经网络中得到的第j幅粗显著性目标图像，Lbce表示二元交叉熵损失，Liou表示交并比损失。

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宁波大学，其通讯地址为：315211 浙江省宁波市江北区风华路818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。