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！

龙图腾网获悉电子科技大学长三角研究院(衢州)申请的专利一种基于深度学习的单阶段实例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：CN116740108B 。

龙图腾网通过国家知识产权局官网在2026-04-14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：202310682616.0，技术领域涉及：G06T7/13；该发明授权一种基于深度学习的单阶段实例分割方法是由吴磊;成磊;王晓敏;龚海刚;刘明设计研发完成，并于2023-06-09向国家知识产权局提交的专利申请。

本一种基于深度学习的单阶段实例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学习的单阶段实例分割方法，本申请通过传统的边缘检测算子提取到每个实例的边缘信息，从而让网络在训练学习的过程中显示的监督对实例轮廓的学习，边缘信息的融入不仅提升了实例掩码的分割精度，而且融入边缘信息后的算法在分割掩码边缘处的表现更精细，并且本申请通过原型掩码分组后再融合的方法，将原型掩码的融合过程从一次增加为两次，两次融合的方式不仅提升了实例掩码的分割效果而且增加了整个算法的泛化能力。

本发明授权一种基于深度学习的单阶段实例分割方法在权利要求书中公布了：1.一种基于深度学习的单阶段实例分割方法，其特征在于，包括以下步骤： S1：基于YOLACT方法，将实例分割划分为两个并行任务，一个任务为生成当前图片的原型掩码，另一个任务为预测每个实例的掩码系数； 原型掩码的产生方法为：通过YOLACT中的原型掩码预测分支为整个图像预测产生k个原型掩码，原型掩码子网络protonet被实现为FCN，FCN网络的最后一层有k个通道，每个通道表示一个原型掩码，protonet的输入为骨干网络的特征层或者经过特征融合网络后的特征层的输出； 掩码系数的产生方法为： YOLACT中的anchor-based基于锚框的目标检测器的预测头部有两个分支： 一个分支为每个anchor锚框预测c个类别的分类置信度，c表示一个特定数据集中目标的类别数； 另一个分支为每个anchor锚框预测4个回归框系数； 增加第三个分支用来预测k个原型掩码的系数，每个原型掩码系数对应于一个原型掩码，Yolact将检测器的预测头部输出从4+c个预测系数拓展为4+c+k个预测系数； 原型掩码基数为8,记作符号b，b是一个可调节的超参数； 将YOLACT结构中原型掩码预测分支产生的k=32个原型掩码在通道维度上拆分成个原型掩码组，与之对应的原型掩码的预测系数也将被从通道的维度拆分成g个组； 在Yolact原型掩码系数预测分支的基础之上并行的增加第四个分支来预测原型掩码的组系数，Yolact检测器的预测头部的输出从4+c+k个预测系数拓展为4+c+k+g个预测系数； S2：将原型掩码和掩码系数进行线性组合，并对组合结果使用激活函数激活以获得预测掩码； 线性组合方法为： 将k个原型掩码在通道维度每b个一组进行有序分组，相应的也对k个原型掩码系数在通道维度每b个进行有序分组，分别得到输入Pi和Ci； 通过组合Pi和Ci得到每个分组经过组合后产生的中间原型掩码； 在g个原型掩码组的系数中的通道维度获得相应的每个分组的组系数Gi，得到第二次融合过程的输入； 通过组合中间原型掩码和原型掩码组系数得到每个分组的融合结果； 通过累加每个分组的融合结果并由非线性函数Sigmoid激活后生成预测掩码,整个融合过程可定义为公式： ； 其中，σ为Sigmoid激活函数，Pi为每个组的原型掩码是一个h×w×b的矩阵，Ci为n个经过NMS和阈值处理后保留的n个实例，在每个分组中的原型掩码系数是一个n×b的矩阵，Gi为n个实例的原型掩码组的组系数是一个n×1的矩阵； S3：将预测掩码作为边缘信息预测分支的输入，将边缘算子作用于预测掩码，得到实例边缘掩码的预测结果，将边缘算子作用于实例的真实掩码得到实例边缘掩码标签； S4：增加预测实例边缘图分支，边缘图预测分支的头部输入为预测结果和与之匹配的实例边缘掩码标签，通过卷积算子进行卷积得到预测边缘图和与之对用的边缘图的标签，构造损失函数，并优化边缘损失，得到最终模型； S5：将待分割实例输入最终模型得到分割结果。

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电子科技大学长三角研究院(衢州)，其通讯地址为：324000 浙江省衢州市柯城区芹江东路288号1幢18楼；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。