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！

龙图腾网获悉西安电子科技大学申请的专利基于注意力机制的单目图像深度估计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：CN116630387B 。

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：202310735294.1，技术领域涉及：G06T7/50；该发明授权基于注意力机制的单目图像深度估计方法是由韩冰;熊燕南;施道典;高新波;杨铮设计研发完成，并于2023-06-20向国家知识产权局提交的专利申请。

本基于注意力机制的单目图像深度估计方法在说明书摘要公布了：本发明公开了一种基于注意力机制的单目图像深度估计方法。主要解决现有技术在图像的光照差和像素深度值变化微小区域深度估计精度低的问题。其实现方案是：读取单目图像深度估计数据集数据，并对其进行预处理；使用SwinTransformer网络作为编码器网络提取预处理数据的特征；构建聚合结构，用于优化预处理数据的特征输出全局信息特征；构建基于注意力机制的解码器网络，以对编码器和聚合结构的输出特征进行优化解码，得到解码器输出特征；构建深度预测网络，利用解码器的输出特征预测图像深度。本发明显著提高了单目图像深度估计的精度，且在图像光照差和像素深度值变化微小的区域深度估计效果更好，可用于自动驾驶、机器人和三维重建。

本发明授权基于注意力机制的单目图像深度估计方法在权利要求书中公布了：1.一种基于注意力机制的单目图像深度估计方法，其特征在于，包括如下步骤： 1从单目图像深度估计数据库读取训练数据和测试数据，对训练数据的图像依次进行旋转、缩放、翻转、调整和归一化的预处理，得到训练数据；对测试数据的图像依次进行缩放和归一化的预处理，得到测试数据； 2使用包括有4个级联SwinTransformerstage模块的SwinTransformer网络作为编码器网络，将训练数据和测试数据分别输入到该SwinTransformer网络，分别得到该4个级联SwinTransformerstage模块输出的训练图像特征，，和及测试图像特征，，和； 3使用聚合结构增强特征的全局信息： 3a由4个池化比例分别为1、2、3和6的平均池化层并联组成金字塔池化模块，将顶层编码器输出的训练图像特征输入到该金字塔池化模块提取多尺度信息，并将多尺度信息与输入特征拼接，再经过一个卷积层生成具有全局信息的新特征； 3b将具有全局信息的新特征通过现有的卷积自注意力模块进行特征优化，得到优化后的全局信息特征； 4构建基于注意力机制的解码器网络： 4a建立由窗口自注意力子模块、移位窗口自注意力子模块和PixelShuffle层级联组成的基于窗口的自注意力模块； 4b建立由平均池化层与最大池化层并联，再与卷积层、sigmoid层和转置卷积层级联组成的区域注意力模块； 4c将基于窗口的自注意力模块与区域注意力模块并联组成解码器模块， 4d将4个解码器模块级联组成基于注意力机制的解码器网络； 5使用基于注意力机制的解码器网络对编码器网络输出的特征、、、和聚合结构输出的全局信息特征进行逐层优化解码，依次得到特征、、和，最终输出特征； 6构建深度图预测网络： 6a建立依次包含卷积层和两个并联的带有可学习参数的平均池化层和最大池化层的自适应区间中心预测模块，用于自适应地预测输入图像深度值的区间中心； 6b建立由一个卷积层和一个softmax层组成的概率头模块，用于预测输入图像深度值区间中心对应的概率向量； 6c将自适应区间中心预测模块和概率头模块并联组成深度图预测网络； 7预测输入图像对应的深度图depth： 7a将解码器网络的输出特征分别输入到深度图预测网络中的自适应区间中心预测模块和概率头模块，输出图像深度值的自适应区间中心cb和概率向量v； 7b将自适应区间中心cb和概率向量v进行线性组合得到初步深度图，再通过上采样操作将初步深度图恢复到输入图像的大小，得到最终的深度图depth。

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西安电子科技大学，其通讯地址为：710071 陕西省西安市太白南路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。