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！

龙图腾网获悉大连理工大学申请的专利用于复杂场景高精度立体视觉感知的轻量级语义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：CN116311251B 。

龙图腾网通过国家知识产权局官网在2026-03-06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：202310303533.6，技术领域涉及：G06V20/70；该发明授权用于复杂场景高精度立体视觉感知的轻量级语义分割方法是由王智慧;李豪杰;张拨川设计研发完成，并于2023-03-27向国家知识产权局提交的专利申请。

本用于复杂场景高精度立体视觉感知的轻量级语义分割方法在说明书摘要公布了：本发明属于计算机语义分割技术领域，涉及一种用于复杂场景高精度立体视觉感知的轻量级语义分割方法。本发明提出的网络结构以超轻量级语义分割网络作为基线，使用CLIP文本编码器作为类别原型生成器，生成多个类别表征作为类中心引导网络学习，提升了网络在相近类别间的分割性能。同时，因网络的分割效果在边缘处较差，为提升物体边缘处分割准确率，本发明在网络解码器侧添加边缘优化模块，并提出用于边缘提取的三元损失函数。本发明的网络有效地提升了泛化性能，同时改善了类别边缘处的分割效果。

本发明授权用于复杂场景高精度立体视觉感知的轻量级语义分割方法在权利要求书中公布了：1.一种用于复杂场景高精度立体视觉感知的轻量级语义分割方法，其特征在于，具体如下： 步骤1构建类别原型生成模块：类别原型生成模块使用预训练的CLIP文本编码器作为获取鲁棒的类别原型特征，以指导语义分割网络学习类别特征；类别原型生成模块结构为一个文本输入Transformer网络，Transformer网络将文本输入映射到特征空间，以生成类别原型；将类别名称文本输入到类别生成模块前，首先将类别名称构建成文本提示，以减少网络对多义文本的错误判别，再将文本提示输入到类别原型生成模块中；为类别文本名称构建N个文本提示，从而构造一个类别的N个类别原型，表征每个类别内部实例的不同表现形式，同时表征不同类别间的差异； 步骤2构建边缘优化模块：边缘优化模块的输入为语义分割网络的主干网络的解码器各层特征，输入特征图后，依次经过2层卷积层和激活层，获得1通道的物体边缘预测图；使用真实标注获得的类别边缘图对多层次的类别边缘预测图进行监督，并使用边缘三元损失联合分类损失的监督方式优化边缘图监督；其中，边缘三元损失联合分类损失的监督方式具体如下：在优化边缘图的三元损失函数中，将置信度高于阈值α且真值为边缘的像素集合视为真正例，将置信度低于β且真值为类别内部的像素集合视为假负例，将其余的真值为边缘的像素集合作为待优化目标；三元损失中将真正例、假负例、待优化目标位置的特征分别计算均值，使用余弦度量描述待优化目标与真正例和假负例的距离，使用交叉熵函数构建计算三元损失；根据对数据集边缘像素的统计量，将真正例、假负例与待优化目标的特征点数目添加总像素数目γ%的偏移量，以更快速收敛；其中，α、β和γ均为参数；α和β的取值原则为保证αβ，置信度高于α的真正例像素点个数较之置信度低于β的假负例的像素点个数更少，以确保真正例和假负例的特征代表性；γ的取值小于真值掩码中类别边缘像素点的个数，以保证其平滑作用，确保计算梯度值相对稳定； 步骤3构造语义分割网络：通过步骤1和步骤2构造的类别原型生成模块和边缘优化模块与主干网络构造语义分割网络的整体结构；主干网络分为编码和解码两个部分；对于编码器，将原图像提取到倍原尺寸的特征图大小，维的特征图；解码器部分将编码器产生的特征图解码为输入原尺寸大小，维的特征图；解码器的每次上采样的特征作为边缘优化模块的输入，得到不同分辨率下的边缘预测图，并使用边缘三元损失进行监督； 步骤4语义分割网络训练推理流程：解码器最终输出的维向量与类别原型生成模块生成的类别原型运算得到最终分割结果；训练时，类别原型生成模块随机选取M个类别原型均值与解码器最终输出特征进行逐像素的余弦相似度量，余弦相似度最高的类别为该像素的预测类别；推理时，边缘优化模块不参与计算，解码器特征逐像素地与所有类别原型进行相似度比对，每个类别选取相似度得分最高的M个得分计算均值作为该像素属于该类别的预测分数；每个像素点在所有类别上预测分数最高的类别作为最终预测类别，所有像素点的预测结果组成分割结果图。

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大连理工大学，其通讯地址为：116024 辽宁省大连市甘井子区凌工路2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。