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！

龙图腾网获悉湖北工业大学申请的专利基于自适应上下文感知网络的RGB-D语义分割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：CN116580192B 。

龙图腾网通过国家知识产权局官网在2025-12-05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：202310419882.4，技术领域涉及：G06V10/26；该发明授权基于自适应上下文感知网络的RGB-D语义分割方法及系统是由孙国栋;熊晨韵;刘俊杰;鲁志恒;张杨;潘慧琳;贾俊杰设计研发完成，并于2023-04-18向国家知识产权局提交的专利申请。

本基于自适应上下文感知网络的RGB-D语义分割方法及系统在说明书摘要公布了：本发明公开了一种基于自适应上下文感知网络的RGB‑D语义分割方法及系统，首先构建自适应上下文感知网络；然后使用编码器的RGB分支和深度分支，分别提取待处理图像的RGB图像的通道特征和深度图的深度特征，进行降采样，获得具有压缩分辨率的特征图；接着利用自适应金字塔上下文模块提取编码器的信息，使用轻量级解码器对来自自适应金字塔上下文模块的信息进行上采样，并使用轻量级残差单元来提高推理速度；最后利用三个跳跃连接层将来自注意融合模块的三层特征分别融合进轻量级解码器的三个层中，经过卷积后输出分割结果。本发明能够实现分割精度高、推理速度快和模型参数小的RGB‑D语义分割。

本发明授权基于自适应上下文感知网络的RGB-D语义分割方法及系统在权利要求书中公布了：1.一种基于自适应上下文感知网络的RGB-D语义分割方法，其特征在于，包括以下步骤： 步骤1：构建自适应上下文感知网络； 所述自适应上下文感知网络，包括双模态输入的编码器、注意力融合模块、自适应金字塔上下文模块、轻量级解码器和跳跃连接层； 所述双模态输入的编码器，包括并行设置的RGB分支和深度分支；均以ResNet34-NBt1D作为主干，包括五层，第一层是卷积层，其后设置有归一化层和激活层；第二层是最大池化层，其后设置有3个非瓶颈块；第三至第五层均是非瓶颈块； 所述注意力融合模块，由通道注意力模块和空间注意力模块组成，设置于所述双模态输入的编码器的每层末端；对双模态的RGB分支和的深度分支的两张特征图分别进行通道、空间注意力特征加强后，再进行矩阵元素求和形成新的RGB特征输入，深度分支的空间特征将继续向下一阶段传递；所述通道注意力模块，位于RGB分支，通过全局平均池将每个通道的信息压缩成一个与尺寸无关的特征图，再通过两个卷积层，以及不同激活函数ReLU和Sigmoid计算出一个权重系数，权重系数与初始输入矩阵元素求积，获得通道信息加强的特征；所述空间注意力模块，位于深度分支，通过逐点卷积层获取立体特征，再对该特征输入三个不同尺度的空间金字塔池化，得到三个自适应平均池化特征并加权，级联输出求得权重值，与初始输入矩阵元素求积，得到空间信息加强的立体特征； 所述自适应金字塔上下文模块，首先将输入的特征图分别经过两个卷积划分为不同大小的子区域，然后对每个子区域进行池化操作，得到两个固定大小的特征向量；最后，两个尺度特征向量被级联在一起，送入一个卷积操作中进行特征融合，生成最终的特征图作为自适应金字塔模块的输出； 所述轻量级解码器，特征通过卷积核构造三个分支，中间m-分支和底部d-分支均先后经过对称卷积、通道注意力模块、对称卷积处理，再将这两层特征像素求和，求和合后再经过一次卷积；其中，中间m-分支的对称卷积采用可分离卷积，用于扩大感受野，获取远距离特征信息；底部d-分支的卷积为一般卷积，负责提取局部和短距离特征信息；中间与底部分支求和的特征与上分支原始特征融合，经过通道混洗进一步整合不同的信息，该混洗后的特征经双线性上采样恢复成原本图像特征； 所述跳跃连接层，通过卷积，将输入通道数提升一倍，尺寸不变； 步骤2：使用编码器的RGB分支和深度分支，分别提取待处理图像的RGB图像的通道特征和深度图的深度特征，进行降采样，获得具有压缩分辨率的特征图； 步骤3：利用自适应金字塔上下文模块提取来自编码器的信息，使用轻量级解码器对自适应金字塔上下文模块的信息进行双线性上采样，经过金字塔监督输出多尺度特征分割结果，另外使用轻量级残差单元信息传递到下一阶段，提高推理速度； 步骤4：利用三个跳跃连接层将来自注意融合模块的三层特征，通过1×1卷积，使其与三个轻量级解码单元的通道数保持一致，其余特征不变，便于轻量级解码单元实现底层特征与高层特征的融合，卷积后输出分割结果。

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湖北工业大学，其通讯地址为：430068 湖北省武汉市洪山区南李路28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。