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申请的专利一种基于全局语义边界注意网络的SAR图像船只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：CN115272842B 。

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：202210472909.1，技术领域涉及：G06V20/10；该发明授权一种基于全局语义边界注意网络的SAR图像船只实例分割方法是由张晓玲;柯潇;张天文;师君;韦顺军设计研发完成，并于2022-04-29向国家知识产权局提交的专利申请。

本一种基于全局语义边界注意网络的SAR图像船只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全局语义边界注意网络的SAR船只实例分割方法，用来解决现有技术中目标框定位能力有限的问题。本发明基于深度学习理论，主要包括全局上下文信息建模模块和边界注意预测模块两部分。全局上下文信息建模模块通过多次增强特征的语义信息，建立长距离依赖关系，从而有效地减少背景干扰。边界注意预测模块通过两次预测目标的边界信息，从而提高目标框的定位能力。本发明提供的方法平均精度AP优于现有其他基于深度学习的SAR船只实例分割方法。本发明能够克服现有技术存在的目标框定位能力有限的问题，提高SAR图像中船只的实例分割精度。

本发明授权一种基于全局语义边界注意网络的SAR图像船只实例分割方法在权利要求书中公布了：1.一种基于全局语义边界注意网络的SAR船只实例分割方法，其特征是它包括以下步骤： 步骤1、初始化数据集 按照传统的HRSID数据集获取方法获取HRSID数据集，将HRSID数据集中的测试集记为Dtest，训练集记为Dtrain； 步骤2、搭建前向传播网络 步骤2.1、搭建ResNet-101骨干网络 采用经典的残差骨干网络构建方法构建网络层数为101的残差网络，记为Res-101； 步骤2.2、搭建区域推荐网络 采用经典的区域推荐网络构建方法构建区域推荐网络，将步骤2.1中得到的ResNet-101骨干网络Res-101作为区域推荐网络中的子网络，将搭建好的区域推荐网络记为RPN0； 步骤2.3、搭建特征提取模块 采用传统的感兴趣区域特征提取模块构建方法构建特征提取模块，将搭建好的特征提取模块记为FExtract； 步骤2.4、搭建全局上下文信息建模模块 首先，采用传统的卷积层构建方法构建两个卷积层，分别记为conv1和conv2，然后采用传统的像素重组构建方法构建像素重组模块，记为pixelshuffle； 按照表达式定义Softmax层，记为softmax0，其中，zi为输入特征图上第i个结点的特征值，C代表输入特征图的通道数；将conv1，conv2，pixelshuffle，softmax串联起来，记为kplayer； 按照表达式构建特征重组层，记为cz；其中，i,j代表l，Fi+n,j+m代表F中位于i+n,j+m的特征向量，Wl'n,m代表Wl'中位于n,m处的权值；将kplayer与czlayer组合在一起，即完成内容感知特征重组子网络的搭建，将搭建好的内容感知特征重组子网络记为carafe； 然后，采用传统的空洞卷积层构建方法分别构建膨胀率为2,3,4,5的空洞卷积层，分别记为d1，d2，d3，d4；采用传统的级联操作构建方法构建级联模块，记为concate；采用传统的卷积层构建方法构建卷积层，记为conv3；将d1，d2，d3，d4并联之后与concate和conv3依次串联，即完成多视野域特征提取子网络的搭建，将搭建好的多视野域特征提取子网络记为mrblock； 最后，采用传统的全局特征自注意构建方法构建全局特征自注意子网络，将搭建好的全局特征自注意子网络记为sablock； 将特征重组子网络carafe、多视野域特征提取子网mrblock，全局特征自注意子网络sablock按顺序进行串联，即得到全局上下文信息建模模块，记为GCB； 步骤2.5、搭建边界注意预测模块 采用传统的全连接层构建方法搭建三个全连接层，分别记为fc1、fc2、fc3；将fc1、fc2、fc3串联，即完成分类分支的搭建，记为CLBranch，将CLBranch输出的分类结果记为s； 采用传统的卷积注意力模块构建方法搭建卷积注意力模块，记为CBAM；采用传统的卷积层构建方法搭建四个卷积层，分别记为conv4、conv5、conv6、conv7； 按照表达式定义两个Softmax层，分别记为softmax1和softmax2，其中，zi为输入特征图上第i个结点的特征值，C代表输入特征图的通道数；将conv4，softmax1，conv5按顺序串联，记为branchx，将conv6，softmax2，conv7按顺序串联，记为branchy；将branchx和branchy并联后加在CBAM模块之后，即完成边界注意预测模块的搭建，记为baff； 采用传统的边界粗定位子网络构建方法搭建边界粗定位子网络，将搭建好的边界粗定位子网络记为bbcl，将bbcl的四个输出分别记为Sx-right,Sx-left,Sy-right,和Sy-left； 采用传统的边界精定位子网络构建方法搭建边界精定位子网络，将搭建好的边界精定位子网络记为brfl； 以步骤2.5中CLBranch输出的分类结果s和步骤2.6中bbcl输出的Sx-right,Sx-left,Sy-right,和Sy-left作为输入，按照式进行计算，即完成边界指导分类重评分子网络的搭建，记为cbcr； 将baff，bbcl，brfl，cbcr按顺序串联，即完成边界注意预测模块的搭建，记为BABP； 步骤2.6、搭建掩码子网络 根据传统的掩码子网络构建方法搭建掩码子网络，将搭建好的掩码子网络记为MASK； 步骤2.7、搭建实例分割级联网络 将步骤2.3得到的特征提取模块FExtract，步骤2.4得到的全局上下文信息建模模块GCB，步骤2.5得到边界注意预测模块BABP，步骤2.6得到的掩码子网络MASK依次串联，得到第一个实例分割网络，记为SEG1； 重复步骤2.3，步骤2.4，步骤2.5，步骤2.6，并将各步骤中得到的模块或子网络依次串联，得到第二个实例分割网络，记为SEG2； 重复步骤2.3，步骤2.4，步骤2.5，步骤2.6，并将各步骤中得到的模块或子网络依次串联，得到第三个实例分割网络，记为SEG3； 将第一个实例分割网络SEG1，第二个实例分割网络SEG2，第三个实例分割网络SEG3依次串联，即完成实例分割级联网络，记为CASEG0； 步骤3、训练区域推荐网络 设置迭代参数epoch，初始化epoch值为1； 步骤3.1、对区域推荐网络进行前向传播 将步骤1中得到的训练集Dtrain作为区域推荐网络RPN0的输入，按照前向传播方法把训练集Dtrain送入区域推荐网络RPN0进行运算，记网络RPN0的输出为Result0； 步骤3.2、对前向传播结果进行采样 将步骤3.1得到的输入Result0和训练集Dtrain作为输入，按照公式计算方法计算Result0中每个推荐框的IOU值，将Result0中IOU大于0.5的输出作为正样本，记为Result0p；将Result0中IOU小于0.5的输出作为负样本，记为Result0n；统计负样本Result0n中的总样本数为M；人为输入所需负样本数，记为N；人为输入所需等分IOU的间隔数为nb，记第i个IOU区间的样本数为Mi；设置第i个区间的随机采样概率为对每个IOU区间进行随机采样，将负样本所有IOU区间的采样结果记为Result0ns； 统计正样本Result0p中的样本数，记为P；设置随机采样概率为对Result0p进行随机采样，将正样本采样结果记为Result0ps； 步骤3.3、对区域推荐网络进行训练和优化 将步骤3.2中得到的正样本采样结果Result0ps和负样本采样结果Result0ns作为输入，按照经典的Adam算法对区域推荐网络进行训练和优化；得到训练和优化之后的区域推荐网络RPN1； 步骤4、训练实例分割级联网络 步骤4.1、对实例分割级联网络进行前向传播 将步骤1中得到的训练集Dtrain作为实例分割级联网络CASEG0的输入，按照传统的前向传播方法把训练集Dtrain送入实例分割级联网络CASEG0进行运算，记实例分割级联网络CASEG0的输出为Result1； 步骤4.2、对实例分割级联网络进行训练和优化 将步骤4.1中得到的实例分割级联网络CASEG0的输出Result1作为输入，按照经典的Adam算法对实例分割级联网络进行训练和优化；得到训练和优化之后的实例分割级联网络CASEG1； 步骤5、进行交替训练 判断步骤3中设置的epoch是否等于12；如果epoch不等于12，则令epoch＝epoch+1、RPN0＝RPN1、CASEG0＝CASEG1，依次重复步骤3.1、步骤3.2、步骤3.3、步骤4.1、步骤4.2，然后返回步骤5对epoch进行再次判断；如果epoch等于12，则令训练后的区域推荐网络RPN1和训练后的平实例分割级联网络CASEG1记为网络GCBAN，然后进行步骤6； 步骤6、评估方法 步骤6.1、前向传播 以步骤6中得到网络GCBAN和步骤1中得到的测试集Dtest作为输入，采用传统的前向传播方法，得到检测结果，记为R； 以检测结果R作为输入，采用传统的非极大值抑制方法，去除检测结果R1中的冗余框，具体步骤如下： 步骤1首先令检测结果R1中得分最高的框，记为BS； 步骤2然后采用计算公式为：计算检测结果R1所有框的重叠率阈值IoU；舍弃IoU0.5的框； 步骤3从剩余框中选出得分最高的框BS； 重复上述步骤2中计算IoU和舍弃的过程，直到没有框可以舍弃，最后剩余的框即为最终检测结果，记为RF； 步骤6.2、计算指标 以步骤6.1中得到的检测结果RF作为输入，采用传统的召回率和精确率计算方法，求出网络的精确率P、召回率R和精确率和召回率曲线PR；采用公式计算基于平衡学习的SAR船只实例分割精度指标AP、AP50、AP75、APS、APM、APL。

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，其通讯地址为：611731 四川省成都市高新区(西区)西源大道2006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。