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！

龙图腾网获悉安徽理工大学申请的专利一种基于多模态差异性融合网络的RGB-D显著性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：CN114693952B 。

龙图腾网通过国家知识产权局官网在2025-07-01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：202210308520.3，技术领域涉及：G06V10/46；该发明授权一种基于多模态差异性融合网络的RGB-D显著性目标检测方法是由夏晨星;段松松;黄荣梅;孙延光;段秀真;王晶晶设计研发完成，并于2022-03-24向国家知识产权局提交的专利申请。

本一种基于多模态差异性融合网络的RGB-D显著性目标检测方法在说明书摘要公布了：本发明提供一种基于多模态差异性融合网络的RGB‑D显著性目标检测方法，属于图像显著性检测技术，所述方法利用SwinTransformer提取包含全局上下文信息的RGB和Depth特征，用于给出场景的显著性目标推理。本发明主要通过探索RGB和Depth模态之间的差异性分析显著性在这两个模态的联系和区别，并设计一个差异性融合网络融合跨模态特征用于捕获完整的显著目标。本发明包括以下几个步骤：1采用SwinTransformer提取跨模态特征；2使用双向融合方式融合RGB和Depth特征生成Fusion流；3使用三流差异性监督机制获取模态之间差异性；4利用该差异性融合跨模态特征；5使用目级联聚合解码器对融合的跨模态特征进行显著性的推理和解码，生成预测的显著性图。

本发明授权一种基于多模态差异性融合网络的RGB-D显著性目标检测方法在权利要求书中公布了：1.一种基于多模态差异性融合网络的RGB-D显著性目标检测方法，其特征在于，该方法包含以下步骤： 1利用深度学习中的SwinTransformer网络作为RGB和Depth编码器用于提取RGB和Depth图像的层次化视觉特征，其中，SwinTransformer编码器由四个基本的SwinTransformerblock组成，其定义如下所示： S＝MLPLNWmLNFf+Ff+WmLNFf+Ff公式1 ST＝MLPLNWsLNS+S+WsLNS+S，公式2 其中，MLP表示多层感知机，LN表示层次化归一，wm代表多头自注意力机制，ws表示基于转换窗口自注意力机制；RGB和Depth编码器的输出，分别记作，RGB特征和Depth特征 2跨模态双向融合模块用于初步融合跨模态的特征，为下一阶段的三流差异性监督机制做好准备； 3构建三流差异性监督机制用于实现多模态之间的差异性融合，表示为三个分支，分别表示为RGB分支，Depth分支，和Fusion分支： 3.1构建三流差异性监督机制中的RGB分支，并采用级联聚合解码器预测显著性图；在RGB特征输入到CAD之前，利用ASPP技术强化RGB特征的感受野，增强RGB特征的全局信息，并使用显著目标分割图SGT进行监督学习，RGB分支的操作描述如下所示： 其中，CAD表示级联聚合解码器，A表示ASPP技术，表示RGB分支预测出的显著性图； 3.2采用级联聚合解码器预测显著性图，在Depth特征输入到级联聚合解码器之前，利用ASPP技术强化Depth特征的感受野，增强Depth特征的全局信息，并使用显著目标分割图SGT进行监督学习，Depth分支的操作描述如下所示： 其中，CAD表示级联聚合解码器，A表示ASPP技术，表示RGB分支预测出的显著性图； 3.3基于步骤2.2所生成的跨模态融合特征使用获取到的四个融合特征，构建Fusion分支，并使用显著目标边缘分割图像进行监督学习，利用级联聚合解码器整合四个尺度特征，预测显著目标边缘图，Fusion分支定义如下： 4探索三流差异性监督机制去生成RGB显著性预测图和Depth显著性预测图和预测的显著目标分割图并设计一个差异性监督模块，利用和融合RGB特征和Depth特征； 5将得到的级联聚合解码器的第二层特征和第一层特征进行聚合，在利用sigmoid激活函数用于级联聚合解码器的对底层特征，得到最终的预测Spre，将预测出来的显著图Spre与人工标注的显著目标分割图SGT进行损失函数的计算，并通过Adam优化器和反向传播算法逐步更新模型的参数权重，最终确定RGB-D显著性目标检测算法的结构和参数权重。

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安徽理工大学，其通讯地址为：232001 安徽省淮南市山南新区泰丰大街168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”。