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扩散模型的SAR图像舰船目标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：CN119741496B 。

龙图腾网通过国家知识产权局官网在2026-04-28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：202411921821.9，技术领域涉及：G06V10/26；该发明授权一种基于扩散模型的SAR图像舰船目标分割方法是由吴光颉;代雨航;胥小我;曾天娇;张晓玲设计研发完成，并于2024-12-25向国家知识产权局提交的专利申请。

本一种基于扩散模型的SAR图像舰船目标分割方法在说明书摘要公布了：本发明公开了一种基于扩散模型的SAR图像舰船目标分割方法，解决现有分割技术精度不足以及费时费力的问题。它是在原始SAR舰船实例分割中引入扩散模型，首次从生成式角度处理舰船实例分割任务，还提供了空间语境联合增强特征金字塔网络、聚焦交并比损失函数、基于实例感知的掩码表示等各项有效改进，以确保优越的实例分割精度。本发明与传统方法相比具有适中的模型计算复杂度和最高的空间复杂度，在实际应用场景中，对于稍复杂的模型能够带来更高的分割精度等优点。因此，本发明能够广泛地应用于SAR图像舰船目标实例分割任务，并可在未来进一步改进模型复杂度；实现了近海和近岸场景下的SAR图像舰船目标分割的最佳平均精度。

本发明授权一种基于扩散模型的SAR图像舰船目标分割方法在权利要求书中公布了：1.一种基于扩散模型的SAR图像舰船目标分割方法，其特征是它包括以下步骤： 步骤1、准备数据集 对于SSDD数据集，设置训练集与测试集的比例为8:2，训练集记为SSDDtrain，测试集记为SSDDtest； 对于HRSID数据集，设置训练集与测试集的比例为13:7，训练集记为HRSIDtrain，测试集记为HRSIDtest； 步骤2、编码器构建 步骤2.1：骨干网络构建 对于经典Resnet-101网络模型，采用传统可变形卷积方法处理，得到SAR图像舰船目标分割网络的骨干经典卷积神经网络，记为Backbone； 采用经典的CNN特征提取方法，对步骤1中得到的训练集SSDDtrain或HRSIDtrain中的任意一幅SAR图像，在上一步中得到的骨干经典卷积神经网络Backbone上进行处理，得到特征输出记为Fin； 步骤2.2：空间语境联合增强特征金字塔网络构建 将采样核的大小n设置为5，采用传统重组核生成方法对经典的卷积层进行处理，生成通道数为52×22的重组核； 将步骤2.1中得到的特征输出Fin作为输入，采用传统内容感知特征重组方法对经典的特征金字塔网络进行处理，生成额外的低层次特征图，得到空间信息增强模块，记为SIE，SIE模块的输出特征记为FCARAFE； 对于经典两阶段ACmix，在第一阶段中，将上面得到的特征输出FCARAFE作为输入，采用传统中间特征集生成方法，得到中间特征集，记为Fm； 在第二阶段中，将第一阶段中得到的中间特征集Fm作为输入，采用传统卷积路径方法和传统自注意力路径方法进行处理，得到语义信息增强模块，记为CIE，CIE模块输出的两条路径的特征加权和记为Fout； 至此，对于前面得到的SIE模块和CIE模块，采用传统级联神经网络方法进行级联，得到空间语境联合增强特征金字塔网络，记为SCJE-FPN； 将步骤2.1中得到的特征输出Fin输入到空间语境联合增强特征金字塔网络SCJE-FPN中，空间语境联合增强特征金字塔网络SCJE-FPN输出得到对特征进行空间语境联合增强后的深度特征Fout，基于扩散模型的SAR图像舰船目标分割网络的编码器部分构建完成； 步骤3、舰船目标分割网络构建 在训练过程中，对步骤2中的深度特征Fout，采用传统级联随机框填充策略方法，得到噪声框Bt； 对上一步得到的噪声框Bt，采用传统扩散模型方法进行处理，得到特定于实例的滤波器θ0＝ηfBt,t，其中f·是去噪网络，η·是全连接层； 对于经典交并比损失函数，通过添加一个新的聚焦因子α，得到聚焦交并比损失函数，记为FIoU： 具体地，给定一个预测框B和一个真实框Bgt，FIoU损失函数定义如下： 其中，p1为预测框左上的点坐标，p2为预测框右下的点坐标，为真实框左上的点坐标，为真实框右下的点坐标，ρ·是欧氏距离，c是预测框和真实框最小包围盒的对角线长度，是聚焦交并比，α是值为0.95的聚焦因子，IoU是交并比； 对于上一步中得到的聚焦交并比损失函数FIoU，采用传统训练总损失计算方法进行处理，得到训练过程中的总损失函数其中表示检测损失，表示分割损失，λbal表示检测和分割之间的平衡超参数，其值为5； 在推理过程中，对训练过程中的噪声框Bt，采用传统去噪扩散隐式模型方法进行网络训练后，得到重建船舶实例掩码m； 至此，基于扩散模型的SAR图像舰船目标分割网络的解码器模块部分构建完成； 将步骤2中的特征输出Fout作为输入，采用传统极化自注意力模块方法进行信息集成，得到多非对称卷积自注意力模块，记为MACSA； 对于上一步中得到的MACSA模块，采用传统实例分割的条件卷积方法进行处理，得到实例感知掩码表示模块，记为IAMR； 至此，完成基于扩散模型的SAR图像舰船目标分割网络的构建，记为DiffSARShipInst； 步骤4、建立舰船分割模型 将步骤1中得到的训练集SSDDtrain或HRSIDtrain作为输入，在步骤3所完成的基于扩散模型的SAR图像舰船目标分割网络DiffSARShipInst上，采用经典的AdamW优化方法进行优化训练，训练完成后得到舰船分割模型，记为DiffSARShipInst_Model； 步骤5、测试舰船分割模型 采用步骤1中得到的测试集SSDDtest或HRSIDtest，在步骤4中得到的舰船分割模型DiffSARShipInst_Model上采用标准的网络测试方法进行测试，得到测试集在DiffSARShipInst_Model上的测试结果，记为Result； 步骤6、评估舰船分割模型 以步骤5中得到的舰船分割模型的测试结果Result作为输入，采用经典COCO度量方法，得到掩膜平均精度maskAP； 至此，整个方法结束。

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。