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！

龙图腾网恭喜福州大学申请的专利基于边缘特征融合和高阶空间交互的伪装目标检测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：CN116310693B 。

龙图腾网通过国家知识产权局官网在2025-05-20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：202310356445.2，技术领域涉及：G06V10/80；该发明授权基于边缘特征融合和高阶空间交互的伪装目标检测方法是由牛玉贞;张家榜;杨立芬设计研发完成，并于2023-04-06向国家知识产权局提交的专利申请。

本基于边缘特征融合和高阶空间交互的伪装目标检测方法在说明书摘要公布了：本发明涉及一种基于边缘特征融合和高阶空间交互的伪装目标检测方法。包括：进行数据预处理，包括数据配对、数据增强处理，得到训练数据集；设计基于边缘特征融合和高阶空间交互的伪装目标检测网络，该网络由边缘感知模块、边缘增强模块、边缘特征融合模块、高阶空间交互模块、上下文聚合模块组成；设计损失函数，指导步骤B所设计网络的参数优化；使用步骤A得到的训练数据集训练步骤B中的基于边缘特征融合和高阶空间交互的伪装目标检测网络，收敛到纳什平衡，得到训练好的基于边缘特征融合和高阶空间交互的伪装目标检测模型；将待测图像输入训练好的基于边缘特征融合和高阶空间交互的伪装目标检测模型，输出伪装目标的掩码图像。

本发明授权基于边缘特征融合和高阶空间交互的伪装目标检测方法在权利要求书中公布了：1.基于边缘特征融合和高阶空间交互的伪装目标检测方法，其特征在于，包括如下步骤：步骤A、进行数据预处理，包括数据配对、数据增强处理，得到训练数据集；步骤B、设计基于边缘特征融合和高阶空间交互的伪装目标检测网络，该伪装目标检测网络由边缘感知模块、边缘增强模块、边缘特征融合模块、高阶空间交互模块、上下文聚合模块组成；步骤C、设计损失函数，指导步骤B所设计网络的参数优化；步骤D、使用步骤A得到的训练数据集训练步骤B中的基于边缘特征融合和高阶空间交互的伪装目标检测网络，收敛到纳什平衡，得到训练好的基于边缘特征融合和高阶空间交互的伪装目标检测模型；步骤E、将待测图像输入训练好的基于边缘特征融合和高阶空间交互的伪装目标检测模型，输出伪装目标的掩码图像；所述步骤B具体实现步骤如下：步骤B1、构建图像特征提取网络，使用所构建的网络提取图像特征；步骤B2、设计边缘感知模块，使用所设计的模块生成边缘掩码和边缘特征；步骤B3、设计边缘增强模块和边缘特征融合模块，使用边缘增强模块增强具有伪装目标边缘结构语义的特征表示，用边缘特征融合模块生成融合边缘信息的特征；步骤B4、构建高阶空间交互模块和上下文聚合模块，使用高阶空间交互模块抑制对背景的关注，促进对前景的关注，用上下文聚合模块来挖掘上下文语义以增强对象检测；步骤B5、设计基于边缘特征融合和高阶空间交互的伪装目标检测网络，包括边缘感知模块、边缘特征融合模块、边缘增强模块、高阶空间交互模块、上下文聚合模块，使用所设计的网络生成最终的伪装目标掩码；所述步骤B1具体实现步骤如下：步骤B1、以Res2Net-50作为主干网络，对输入大小为H×W×3的原图像I进行特征提取，具体地，分别记原图像I经过第一阶段、第二阶段、第三阶段和第四阶段输出的特征图为F1、F2、F3和F4，其中特征图F1大小为特征图F2大小为特征图F3大小为特征图F4大小为C＝256；所述步骤B2具体实现步骤如下：步骤B21、设计边缘感知模块，该边缘感知模块的输入为步骤B1中提取的第一阶段特征图F1和第四阶段特征图F4，该边缘感知模块输出为边缘特征图Fe和边缘掩码Me；步骤B22、设计边缘感知模块中的特征融合块；该边缘感知模块的输入为步骤B1中提取的特征图F1和F4，输入特征图F1依次经过1×1卷积、BN层、ReLU激活函数减少通道数得到特征图输入特征图F4依次经过1×1卷积、BN层、ReLU激活函数减少通道数得到特征图使用双线性插值将特征图F'4的宽度和高度调整到和F'1一样的宽度和高度，得到特征图将F'1和F'4'沿通道维度拼接后经过通道注意力模块得到边缘特征图具体公式表示如下：F′1＝ReLUBNConv1F1F′4＝ReLUBNConv1F4F″4＝UpF′4Fe＝SEConcatF′1,F″4其中Conv1·是卷积核大小为1×1的卷积层，BN·是批归一化操作，ReLU·是ReLU激活函数，Up·是双线性插值上采样，Concat·,·是沿通道维度拼接操作，SE·是通道注意力模块；步骤B23、设计边缘感知模块中的卷积块；输入为步骤B22得到的边缘特征图Fe，依次经过3×3卷积、BN层、ReLU激活函数、3×3卷积、BN层、ReLU激活函数、1×1卷积最终生成边缘掩码具体公式表示如下：Me＝Conv1ReLUBNConv3ReLUBNConv3Fe其中Conv3·是卷积核大小为3×3的卷积层，BN·是批归一化操作，ReLU·是激活函数，Conv1·是卷积核大小为1×1卷积；所述步骤B3具体实现步骤如下：步骤B31、设计边缘增强模块，首先设计边缘增强模块中的边缘引导操作；输入为步骤B2得到的边缘掩码Me和步骤B1得到的特征图将输入的边缘掩码Me进行双线性插值下采样到与特征图Fi相同的宽度和高度，得到掩码将掩码M'e与特征图Fi相乘，再与Fi相加，然后依次经过3×3卷积、BN层、ReLU激活函数，得到边缘引导的特征图具体公式表示如下：M′e＝DownMe 其中Down·是双线性插值下采样操作，是矩阵乘法运算，是矩阵加法运算，Conv3·是卷积核大小为3×3的卷积层，BN·是批归一化操作，ReLU·是激活函数；步骤B32、构建边缘增强模块中的CBAM注意力子模块，该边缘增强模块由串行的通道注意力SE和空间注意力SA组成，输入特征图为步骤B32得到的特征图Fguide，得到边缘增强特征具体公式表示如下：Fee＝SASEFguide其中，SE·是通道注意力模块，SA·是空间注意力模块；步骤B33、设计边缘特征融合模块，输入为步骤B1中提取的第一阶段特征图步骤B2得到的边缘特征图和边缘掩码将边缘掩码Me与特征图F4相乘，再与F4相加，得到特征图将边缘特征图Fe依次经过3×3卷积、BN层、ReLU激活函数，得到缩减通道后的特征图将FM与F'e沿通道维度拼接再依次经过3×3卷积、Swish激活函数、3×3卷积、Swish激活函数、SE模块、3×3卷积，最后再加上特征图F'e，得到第一次融合边缘信息的特征图将特征图F'e经过SE模块再与沿通道维度拼接，然后经过一个3×3卷积，得到第二次融合边缘信息的特征图最后再将特征图与特征图F1相加得到最终融合边缘信息的特征图具体公式表示如下： F′e＝ReLUBNConv3Fe 其中是矩阵乘法运算，是矩阵加法运算，Conv3·是卷积核大小为3×3的卷积层，BN·是批归一化操作，ReLU·是激活函数，Swish·是Swish激活函数，SE·是通道注意力模块，Concat·,·是沿通道维度拼接操作；所述步骤B4具体实现步骤如下：步骤B41、首先构建高阶空间交互模块中的门控卷积模块，记该模块输入的特征图为将输入特征图Fα进行层归一化，记为LN1，得到归一化特征图接着将经过一个1×1卷积将其通道扩大到原来的两倍，得到特征图将沿通道拆分为两个特征图将q输入到深度可分离卷积后得到特征图再将其拆分为n，n为阶数，个特征图其中将特征图p0与特征图q0相乘后经过一个1×1卷积将其通道扩大到原来的两倍，得到第一次空间交互特征图将特征图p1与特征图q1相乘后经过一个1×1卷积将其通道扩大到原来的两倍，得到第二次空间交互特征图然后依次迭代到特征图pn-1与特征图qn-1相乘后经过一个输入通道数与输出通道数相同、卷积核大小为1×1的卷积层，得到n次空间交互特征图最后将输入特征图Fα与pn相加得到中间输出特征图具体公式表示如下： Q＝DWConvq 其中，Split·是沿通道维度拆分，DWConv·是深度可分离卷积，Conv1·是卷积核大小为1×1的卷积层，是矩阵乘法运算，是矩阵加法运算；步骤B42、构建高阶空间交互模块中的前馈模块，输入为步骤B41得到的特征图Fmid，对Fmid进行层归一化，记为LN2，之后输入两层全连接层中，记为MLP，两层全连接层的输出再与特征图Fmid相加后得到高阶空间交互特征具体公式表示如下： 其中是矩阵加法运算；步骤B43、构建高阶空间交互模块中的通道缩减模块，输入为步骤B42得到的Fhsi，将Fhsi依次经过1×1卷积、BN层、ReLU激活函数，得到通道缩减后的高阶空间交互特征图具体公式表示如下：F′hsi＝ReLUBNConv1Fhsi其中Conv1·是卷积核大小为1×1的卷积层，BN·是批归一化操作，ReLU·是激活函数；步骤B44、首先构建上下文聚合模块中的卷积块，记该上下文聚合模块输入为两个不同尺度的特征图和先将特征图Fhigh进行双线性插值上采样，将其宽度和高度调整到与Flow同样的宽度和高度，再与Flow沿通道维度拼接，然后依次经过1×1卷积、BN层、ReLU激活函数得到特征图再将Fcat沿通道维度平均分为四个特征图和将和相加后依次经过3×3卷积、BN层、ReLU激活函数得到特征图将和三者相加后依次经过膨胀率为2的3×3卷积、BN层、ReLU激活函数得到特征图将和三者相加后依次经过膨胀率为3的3×3卷积、BN层、ReLU激活函数得到特征图将和相加后依次经过膨胀率为4的3×3卷积、BN层、ReLU激活函数得到特征图然后将和沿通道维度拼接后依次经过1×1卷积、BN层、ReLU激活函数得到特征图最后将Fcat和F'cat相加后依次经过3×3卷积、BN层、ReLU激活函数得到上下文特征图具体公式表示如下：Fcat＝ReLUBNConv1ConcatFlow,UpFhigh 其中Up·是双线性插值上采样操作，Concat,·和Concat·,·,·,·是沿通道维度拼接操作，是矩阵加法运算，Conv3·是卷积核大小为3×3的卷积层，Conv3d＝i·是膨胀率为i的3×3卷积，Conv1·是卷积核大小为1×1的卷积层，BN·是批归一化操作，ReLU·是激活函数，Split·是沿通道维度均等拆分操作；所述步骤B5具体实现步骤如下：步骤B5、设计基于边缘特征融合和高阶空间交互的伪装目标检测网络，包括边缘感知模块、边缘特征融合模块、边缘增强模块、高阶空间交互模块、上下文聚合模块；输入原图像，经过步骤B1的主干网络得到四个不同尺度的特征图和将F1和F4输入到步骤B2中的边缘感知模块，得到边缘特征图和边缘掩码然后构建三个步骤B3中的边缘增强模块，分别记为EEM1、EEM2和EEM3，其中EEM1的输入为步骤B1中提取的第四阶段特征图F4和步骤B2得到的边缘掩码Me，输出为边缘增强特征EEM2的输入为步骤B1中提取的第三阶段特征图F3和步骤B2得到的边缘掩码Me，输出为边缘增强特征EEM3的输入为步骤B1中提取的第二阶段特征图F2和步骤B2得到的边缘掩码Me，输出为边缘增强特征接着构建一个步骤B3中的边缘特征融合模块，输入为步骤B1中提取的第一阶段特征图F1、步骤B2得到的边缘特征图Fe和边缘掩码Me，输出为融合边缘信息的特征图然后，构建四个步骤B4中的高阶空间交互模块，分别记为HSIM1、HSIM2、HSIM3和HSIM4，它们的输入分别是步骤B3得到的特征图和输出分别为和紧接着构建三个步骤B4中的上下文聚合模块中，分别记为CAM1、CAM2和CAM3，其中CAM1的输入为特征图和输出为上下文特征图CAM2的输入为CAM1的输出和特征图输出为上下文特征图CAM3的输入为CAM2的输出和特征图输出为上下文特征图对于边缘掩码Me，将其进行双线性插值上采样放大4倍，得到最终边缘掩码Medge；对于上下文特征图经过1×1卷积将其压缩为1通道后将进行双线性插值上采样放大16倍，得到第一阶段伪装目标掩码对于上下文特征图经过1×1卷积将其压缩为1通道后将其进行双线性插值上采样放大8倍，得到第二阶段伪装目标掩码对于上下文特征图经过1×1卷积将其压缩为1通道后将其进行双线性插值上采样放大4倍，得到最终伪装目标掩码具体公式表示如下：Medge＝Upscale＝4Me 其中，Upscale＝4·是倍数为4的双线性插值上采样，Upscale＝8·是倍数为8的双线性插值上采样，Upscale＝16·是倍数为16的双线性插值上采样，Conv1·是卷积核大小为1×1、输出通道数为1的卷积层；所述步骤C具体实现步骤如下：步骤C、设计损失函数作为约束来优化基于边缘特征融合和高阶空间交互的伪装目标检测网络，具体的公式如下： 其中，Gcamo表示原图像I对应的标签图像，Gedge表示原图像I对应的边缘标签图像，表示为总的损失函数，表示加权二元交叉熵损失，表示为加权交并比损失，表示Dice系数损失，λ表示为该损失的权重。

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福州大学，其通讯地址为：350108 福建省福州市闽侯县福州大学城乌龙江北大道2号福州大学；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”。