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！

龙图腾网获悉哈尔滨理工大学申请的专利轻量化注意力机制的动态卷积分解的视频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：CN117115703B 。

龙图腾网通过国家知识产权局官网在2026-05-01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：202310950402.7，技术领域涉及：G06V20/40；该发明授权轻量化注意力机制的动态卷积分解的视频实例分割方法是由刘明珠;张微设计研发完成，并于2023-07-31向国家知识产权局提交的专利申请。

本轻量化注意力机制的动态卷积分解的视频实例分割方法在说明书摘要公布了：本发明涉及一种轻量化注意力机制的动态卷积分解的视频实例分割方法；该方法首先输入视频帧，主干网络独立提取视频中每一帧的特征图；然后经由主干网络提取的特征图进入HQT编解码模块，结合输出头精确定位每一帧中实例的位置变化，同时使用三个预测分支来监督模型训练；在本发明中，编码网络的卷积层采用动态卷积分解，不仅得到了一个更加紧凑的模型，而且使得模型训练会更加容易，所需参数量也会大大减少，进而提高训练速度，缩短训练时间；提出了一种轻量化的HQT编解码模块，有助于减少模型参数，提高效率；改进了损失函数，使模型训练更加稳定，提高收敛速度和收敛精度；缓解样本中前景背景不平衡以及长尾情况下前景类别间不平衡的问题。

本发明授权轻量化注意力机制的动态卷积分解的视频实例分割方法在权利要求书中公布了：1.轻量化注意力机制的动态卷积分解的视频实例分割方法，其特征在于，包括以下步骤： 步骤a：输入视频帧，主干网络D-ResNet独立提取视频中每一帧的特征图；具体包括以下步骤： 步骤a1：单帧图像输入卷积核大小为7×7，步长为2的动态卷积分解层，输出特征图大小缩小为原特征图12，记为； 步骤a2：特征图输入池化层，输出特征图再次缩小为特征图的一半，记为特征图； 步骤a3：特征图输入动态卷积分解层layer1，输出特征图大小不变，记为特征图； 步骤a4：特征图输入卷积层layer2，输出特征图大小减半，记为特征图； 步骤a5：特征图输入卷积层layer3，输出特征图大小减半，记为特征图； 步骤a6：特征图输入卷积层layer4，输出特征图大小减半，记为特征图； 步骤a7：特征图输入平均池化层，缩小特征图的大小，记为特征图； 步骤a8：特征图输入全连接层，进行特征组合与分类，由二维特征图转化为一维向量，输出结果； 步骤b：经由主干网络D-ResNet提取的特征图进入HQT编解码模块，结合输出头精确定位每一帧中实例的位置变化，同时使用三个预测分支来监督模型训练； 步骤b1：对主干网络输出的特征映射进行1×1动态卷积分解，使其通道维数降为256，生成新的特征映射，； 步骤b2：在添加固定位置编码后，经由Transformer编码器得到输出特征映射，所述特征映射与输入特征映射具有相同的分辨率； 步骤b3：将实例查询序列依次通过解码器层独立查询每一帧特征映射的实例特征，经过加权以及聚合时间特征，得到包含位置信息的框查询序列； 步骤b4：在每层解码器后加入三个预测分支来监督训练阶段，得到输出结果，所述解码器包括三个预测分支，总损失函数的计算式如下： 其中，是类别预测分支的损失函数，是边界框预测分支的损失函数，是掩码序列预测分支的损失函数，、和是用于调整这几个分支权重的参数； 所述步骤b中，HQT编解码模块包括将编码网络生成特征图，经过采用HiLoAttention的编码器，将自注意力头划分成两组，分别作为高频注意力层和低频注意力层，高频注意力层通过每个局部窗口内的自注意力来编码高频，低频注意力层对低频进行编码；具体方法在于：对输入特征图中每个窗口和查询位置的低频键值的平均池化值进行全局关注，高频捕获局部细节，而低频聚焦于全局结构；最后，将高低频特征连接起来，经过实例查询解码器，同样解码器内部仍然执行HiLoAttention，结合输出头精确定位每一帧中实例的位置变化。

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哈尔滨理工大学，其通讯地址为：150080 黑龙江省哈尔滨市南岗区学府路52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。