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！

龙图腾网获悉安徽理工大学申请的专利一种基于多尺度注意力融合的轻量级单目深度预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：CN116403068B 。

龙图腾网通过国家知识产权局官网在2025-12-23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：202310238309.3，技术领域涉及：G06V10/774；该发明授权一种基于多尺度注意力融合的轻量级单目深度预测方法是由夏晨星;段秀真;葛斌;崔建华;葛国庆;梁兴柱;王列伟设计研发完成，并于2023-03-14向国家知识产权局提交的专利申请。

本一种基于多尺度注意力融合的轻量级单目深度预测方法在说明书摘要公布了：发明提出一种基于多尺度注意力融合的轻量级单目深度预测方法，采用相对轻量级的主干网络完成单目深度预测任务。尝试将轻量级网络所产生的多层次特征与所提出的注意力机制模块结合，在速度有所提升的同时不损失精确度。首先利用主干网络生成多层次特征，将多层特征进行分组，在第3、4、5层使用通道注意力，关注通道之间的关系，通过对通道的加权来增强重要的特征，学习每个通道的重要性，使得模型能够更好地捕捉不同通道之间的信息，提高模型性能；在第1、2层采用空间注意力，关注空间位置之间的关系，通过对不同位置的特征进行加权来突出重要的位置信息。除此之外，将每层特征的差异融合到注意力机制，增强边界。通过提出的注意力机制进一步获得密集的深度信息，得到高质量的深度图，用于SLAMSimultaneousLocalizationandMapping、三维重建、自动驾驶、目标检测等下游任务。

本发明授权一种基于多尺度注意力融合的轻量级单目深度预测方法在权利要求书中公布了：1.一种基于多尺度注意力融合的轻量级单目深度预测方法，其特征在于，该方法包括以下步骤： 1收集公共RGBD数据集，并对数据进行增强，使用网络的预训练权值，并初始化编码器； 2采用ResNet50作为backbone提取多尺度特征； 3构建通道注意力与空间注意力，通过对输入信息的关注程度进行动态调整，可以提高模型的性能和鲁棒性； 3.1构建分组注意力融合机制，弥补卷积神经网络对于全局依赖关系捕获不足的局限性，增强对密集特征的获取能力和模型的精确度； 3.2首先构建通道注意力模块，通过自适应地调整每个通道的权重来提高特征图的表达能力，具体来说， Y1＝Conv2ReLUConv1GAPRi1 其中Ri表示第i层的特征；ReLU表示激活函数；Conv1与Conv2表示卷积操作；GAP表示全局平均池化，对特征图进行降维的操作，将整个特征图看作一个池化窗口，对其中的每个通道的特征进行平均，出每个通道的平均值作为该通道的池化结果，最后得到特征Y1； Y2＝Conv2ReLUConv1GMPRi2 GMP表示全局最大池化，将特征图中的每个通道求最大值，然后将每个通道的最大值组成一个向量作为输出； Y3＝SigmoidAddY1,Y23 Sigmoid表示激活函数，经过sigmoid激活函数将特征图的每个通道的权重归一化到0-1之间，Add表示元素级相加操作，最后得到特征Y3， A1i＝ConcatY3,fi,Li4 Concat表示拼接操作，其中Li＝Ri-R'i，Li表示特征间的差异，R'i通过下采样得到，fi＝ConcatRi,R'i，得到经过通道注意力处理后的最终特征A1i； 3.3然后构建通道空间注模块，帮助网络更好地理解图像的空间信息；该模块可以根据像素之间的相对位置关系，对输入的特征图进行加权，以突出区域之间的重要性，并抑制不相关区域的信息，相关符号与通道注意力模块的符号含义一致； Z1＝ConcatGAPRi,GMPR'i5 Z2＝SigmoidConvZ16 A2i＝ConcatZ2,fi,Li7 首先将浅层特征进行GAP与GMP处理，得到Z1，然后通过卷及操作、激活函数、拼接操作对特征进一步对提取和融合，检测图像中不同的特征，例如边缘、角落或纹理；空间注意力模块帮助模型更好地理解输入的上下文信息，从而提高模型的性能； 4为了计算预测输出深度与地面真实深度图之间的距离，使用尺度不变损失Scale-InvariantlossSI来训练模型。

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安徽理工大学，其通讯地址为：232001 安徽省淮南市山南新区泰丰大街168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。