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！

龙图腾网获悉扬州大学申请的专利一种基于跨模态深度学习的多目标图像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：CN119672331B 。

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：202411632220.6，技术领域涉及：G06V10/26；该发明授权一种基于跨模态深度学习的多目标图像分割方法是由吴义;章永龙设计研发完成，并于2024-11-15向国家知识产权局提交的专利申请。

本一种基于跨模态深度学习的多目标图像分割方法在说明书摘要公布了：本发明公开了一种基于跨模态深度学习的多目标图像分割方法，包括以下步骤：1采集黄瓜图像数据和文本数据并进行预处理；2利用基于卷积神经网络模型的DeepLabv3中的编码器提取输入图像的特征，利用递归神经网络模型长短时记忆网络LSTM提取输入文本特征；3选取无监督掩码生成器FreeSOLO获取输入图像中所有目标的掩码候选区域，并采用逐元素相乘法，获取每个掩码的视觉特征；4处理掩码视觉特征与文本特征，获得对应的特征序列，采用跨模态注意力机制计算图像序列与文本序列间的相似度获得注意力权重；5在注意力机制输出的融合掩码特征后设置“激活门”；利用过滤器筛选出被激活的掩码候选区域并采用聚合器进行聚合；6将聚合获得的掩码与提取的视觉特征融合，输入到长短时记忆网络中进行文本重构；7输出结果；本发明可以得到比较准确的多目标分割结果。

本发明授权一种基于跨模态深度学习的多目标图像分割方法在权利要求书中公布了：1.一种基于跨模态深度学习的多目标图像分割方法，其特征在于，包括以下步骤： 1采集黄瓜图像数据包括色泽、形状、长度、粗细和文本数据；并进行预处理； 2利用基于卷积神经网络模型的DeepLabv3中的编码器提取输入图像的特征，利用递归神经网络模型长短时记忆网络LSTM提取输入文本特征； 3选取无监督掩码生成器FreeSOLO获取输入图像中所有目标的掩码候选区域，并采用逐元素相乘法，将掩码对应的二维二进制矩阵与降维后的视觉特征融合以获取每个掩码的视觉特征； 4处理掩码视觉特征与步骤2中的文本特征，获得对应的特征序列，采用跨模态注意力机制计算图像序列与文本序列间的相似度获得注意力权重，对视觉特征向量加权计算，输出融合了文本特征的掩码视觉特征； 5在注意力机制输出的融合掩码特征后设置激活门；利用过滤器筛选出被激活的掩码候选区域并采用聚合器进行聚合；激活门为n维列向量，其中每个元素非0即1，元素个数与步骤3中的掩码候选区域数量相同，包括以下步骤： 51以注意力机制输出的视觉特征为依据，利用激活门选择激活的掩码，激活门本质为1×n的列向量，当对应元素为1则表示激活，对应元素为0则表示未激活； 52利用过滤器将激活掩码过滤到聚合器层，采用并集操作以达到保留所有掩码方案覆盖区域的目的，对每个掩码区域进行按位的逻辑或操作； 53对于每个像素位置，任一掩码方案在该位置的值为1或有效值，最终结果即为1；公式如下： FinalMaski,j＝Maski,j∨Maski,j∨……∨Maski,j 其中i，j代表像素位置，m为被激活的掩码候选区域总数，最终会得到所有掩码候选区域的并集m，保留所有掩码候选区域的信息； 6将聚合获得的掩码与步骤2中提取的视觉特征融合，输入到长短时记忆网络中进行文本重构，计算重构文本特征与输入文本特征间的欧氏距离作为一致性损失； 7调整跨模态融合部分的注意力权重及激活门部分对掩码候选区域的激活选择，直至一致性损失低于阈值或迭代次数达到预设最大值。

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扬州大学，其通讯地址为：225009 江苏省扬州市大学南路88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。