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！

龙图腾网获悉江苏科技大学申请的专利一种基于深度卷积神经网络的息肉图像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：CN116597138B 。

龙图腾网通过国家知识产权局官网在2026-03-20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：202310461599.8，技术领域涉及：G06V10/26；该发明授权一种基于深度卷积神经网络的息肉图像语义分割方法是由徐丹;易文彬;束鑫;史金龙;段先华设计研发完成，并于2023-04-26向国家知识产权局提交的专利申请。

本一种基于深度卷积神经网络的息肉图像语义分割方法在说明书摘要公布了：本发明公开了一种基于深度卷积神经网络的息肉图像语义分割方法，包括：使用深度卷积神经网络模型作为编码器提取图像多层特征，根据卷积层的深度将特征分为浅层特征和深层特征；使用多尺度语义增强模块对深层特征进行语义增强；将得到的多个增强特征融合为全局增强特征；将所得全局增强特征输入到解码端，使用跨层特征融合模块对多层特征由深到浅逐级上采样解码，得到预测分割图。本发明综合考虑了深层和浅层特征的互补性和相关性，可提高息肉图像语义分割的准确性。

本发明授权一种基于深度卷积神经网络的息肉图像语义分割方法在权利要求书中公布了：1.一种基于深度卷积神经网络的息肉图像语义分割方法，其特征在于，包括以下步骤： 步骤1、将用于训练的息肉图像输入VGG16编码器，使用编码器提取图像不同层次的特征，根据卷积层的深度将特征分为浅层特征和深层特征； 步骤2、应用多尺度语义增强模块分别对深层特征X3、X4、X5进行特征增强，得到每个深层特征对应的增强特征； 步骤3、将增强特征Z3、Z4、Z5进行融合，得到全局增强特征F5； 步骤4、将全局增强特征F5和深层特征X4输入跨层特征融合模块，得到跨层融合特征F4；将F4和X3输入跨层特征融合模块，得到跨层融合特征F3；将F3和X2输入跨层特征融合模块，得到跨层融合特征F2；将F2和X1输入跨层特征融合模块，得到跨层融合特征F1； 步骤5、F1经过卷积核数量为1、padding为2、卷积核大小为3×3的卷积层、Sigmoid函数，得到预测的息肉分割图S； 步骤6、以最小化预测息肉分割图S和真值图G之间的交叉熵损失函数为目标训练网络，利用损失反向传播更新网络参数； 交叉熵损失函数：； 其中,N为像素点个数,yi为由真值图G取得的第i个像素的真实类别，ŷi为由预测息肉分割图S取得的第i个像素是息肉的概率； 步骤7、将测试图像输入训练好的网络，获得息肉分割图，采用mIoU均交并比评价息肉分割的性能； 在步骤2中，所述的应用多尺度语义增强模块分别对深层特征X3、X4、X5进行特征增强，得到每个深层特征对应的增强特征，包括： 2.1应用多尺度语义增强模块对深层特征X5进行特征增强： 2.1.1将深层特征X5依次输入卷积核大小为7×7的深度卷积层、卷积核大小为1×1的卷积层，其中，深度卷积层的卷积核数量为1、padding为3，卷积层的卷积核数量为128、padding为0，得到通道数和大小为128×14×14的特征图； 2.1.2将X5依次输入卷积核大小为5×5的深度卷积层、卷积核大小为1×1的卷积层，其中，深度卷积层的卷积核数量为1、padding为2，卷积层的卷积核数量为128、padding为0，得到通道数和大小为128×14×14的特征图； 2.1.3将X5依次输入卷积核大小为3×3的深度卷积层、卷积核大小为1×1的卷积层，其中，深度卷积层的卷积核数量为1、padding为1，卷积层的卷积核数量为128、padding为0，得到通道数和大小为128×14×14的特征图； 2.1.4将X5依次输入卷积核大小为1×1的深度卷积层、卷积核大小为1×1的卷积层，其中，深度卷积层的卷积核数量为1、padding为0，卷积层的卷积核数量为128、padding为0，得到通道数和大小为128×14×14的特征图； 2.1.5将2.1.1~2.1.4中得到的四个特征图在通道维度上进行拼接，得到通道数和大小为512×14×14的特征图，然后通过通道注意力模块、卷积核大小为1×1的卷积层、批量归一化、Relu激活层，得到多尺度增强特征Z5，Z5的通道数和大小与X5保持一致，为512×14×14。

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江苏科技大学，其通讯地址为：212100 江苏省镇江市丹徒区长晖路666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。