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！

龙图腾网恭喜江西师范大学申请的专利一种基于边界引导的多级注意力网络的息肉图像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：CN118941587B 。

龙图腾网通过国家知识产权局官网在2025-05-16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：202411414098.5，技术领域涉及：G06T7/12；该发明授权一种基于边界引导的多级注意力网络的息肉图像分割方法是由吴子煌;陈华;江爱文;李宏伟;王千;叶友辉设计研发完成，并于2024-10-11向国家知识产权局提交的专利申请。

本一种基于边界引导的多级注意力网络的息肉图像分割方法在说明书摘要公布了：本发明公开了一种基于边界引导的多级注意力网络的息肉图像分割方法，包括：S1：构建数据集；S2：构建基于边界引导的多级注意力网络，获取图像的多级特征;S3:多尺度特征提取模块获取压缩通道的多尺度特征;S4：并行部分解码器中获取全局特征图；S5：通过边界感知模块获取边界感知特征；S6：获取分别关注息肉图像不同区域的分割特征图、分割特征图和分割特征图；S7：构建损失函数，最小化损失函数以优化基于边界引导的多级注意力网络的参数。生成清晰的息肉边界。本发明有效融合低级特征和高级全局特征，实现了低‑高级特征的互补，有效解决了模糊息肉边界对模型的影响。

本发明授权一种基于边界引导的多级注意力网络的息肉图像分割方法在权利要求书中公布了：1.一种基于边界引导的多级注意力网络的息肉图像分割方法，其特征在于，包括：步骤S1：构建数据集，数据集包括若干息肉图像；步骤S2：构建基于边界引导的多级注意力网络，基于边界引导的多级注意力网络包括金字塔视觉Transformer-PVT-v2骨干、多尺度特征提取模块、并行部分解码器、边界感知模块和基于边界引导的多级注意力模块，导入步骤S1中数据集的图像至金字塔视觉Transformer-PVT-v2骨干，获取图像的多级特征，分别为第一多级特征、第二多级特征、第三多级特征和第四多级特征;步骤S3:导入步骤S2的图像的多级特征至多尺度特征提取模块，获取压缩通道的多尺度特征，分别为第一多尺度特征、第二多尺度特征、第三多尺度特征和第四多尺度特征;步骤S4：导入步骤S3的多尺度特征至并行部分解码器中，获取全局特征图；步骤S5：通过边界感知模块先后对步骤S4的全局特征图和步骤S3的多尺度特征、和使用加法操作获取第二聚合特征;将步骤S3中的第一多尺度特征和第二聚合特征进行融合，获取边界感知特征；步骤S6：通过基于边界引导的多级注意力模块将步骤S5的边界感知特征进行多级注意力的特征增强，获取分别关注息肉图像不同区域的分割特征图、分割特征图和分割特征图；步骤S7：构建损失函数，最小化损失函数以优化基于边界引导的多级注意力网络的参数；步骤S5具体为：首先将全局特征图与多尺度特征、和逐步相加，以补充下采样过程中丢失的空间特征，最终生成第二聚合特征；然后，为了保留空间信息，将第一多尺度特征和第二聚合特征在通道维度上拼接，拼接后的特征经过一个卷积核大小为1的卷积操作进行特征交互，表示为： ； ；其中，表示在通道维度上拼接，表示卷积核大小为1的卷积操作，表示拼接特征，表示卷积拼接特征；之后，分别在空间维度和通道维度上计算注意力图；在空间分支中，使用三个不同卷积核大小的并行卷积来增强模型的多尺度特征表示，获取增强卷积拼接特征；并应用空间注意力进一步细化增强卷积拼接特征提供的边界细节；在通道分支中，使用通道注意力来抑制卷积拼接特征引入的噪声；将得到的空间注意力图和通道注意力图分别与原特征相乘，产生空间分支特征图和通道分支特征图，将空间分支特征图和通道分支特征图相加融合，生成边界感知特征，表示为： ； ； ； ；其中，表示卷积核大小为3的卷积操作，表示卷积核大小为5的卷积操作，表示增强卷积拼接特征，表示空间分支特征图，表示卷积核大小为7的卷积操作，表示加法操作，表示空间注意力，表示通道注意力，表示矩阵乘法，表示通道分支特征图；步骤S6具体为：首先基于边界引导的多级注意力模块通过预测特征计算产生反向特征： ；其中，表示sigmoid激活函数，表示从矩阵中减去输入的反向操作；然后，将预测特征、反向特征和边界感知特征上采样到与多尺度特征相同的空间分辨率；然后，将预测特征、反向特征、边界感知特征和多尺度特征相乘，产生3个关注不同区域的注意力图，表示为： ； ； ；其中，表示为上采样操作，，和分别是预测特征、反向特征和边界感知特征的注意力图；将这三个注意力图沿着通道维度拼接，并经过一个卷积核大小为1的卷积操作进行特征交互，生成结合特征，表示为： ；然后，计算结合特征的注意力图，并将注意力图与结合特征相乘来进一步突出息肉特征，并且使用一个残差连接融合来自编码器的特征，恢复损失的空间细节和语义信息，表示为： ；其中，表示结合特征的注意力图；最后，多级注意力模块先后通过CBAM模块和卷积核大小为1的卷积操作来抑制特征中的噪声，减少信息冗余，增强模型对息肉区域的关注，表示为： ； ；其中，表示预测的分割特征图，表示CBAM模块的抑制操作。

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江西师范大学，其通讯地址为：330000 江西省南昌市高新技术开发区紫阳大道99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”。