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！

龙图腾网获悉西北工业大学申请的专利一种基于混合注意力多场景船舶检测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：CN115631427B 。

龙图腾网通过国家知识产权局官网在2025-06-13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：202211295062.0，技术领域涉及：G06V20/13；该发明授权一种基于混合注意力多场景船舶检测分割方法是由聂烜;柴博松;潘磊;高和瑜设计研发完成，并于2022-10-21向国家知识产权局提交的专利申请。

本一种基于混合注意力多场景船舶检测分割方法在说明书摘要公布了：本发明公开了一种基于混合注意力多场景船舶检测分割方法，基于MaskRCNN的改进模型，在MaskR‑CNN中使用FPN获得特征金字塔，在FPN之后，添加一个自底向上的路径，以缩短底层特征传递到高层网络之间的路径，从而保留下更多的浅层特征，来提升小目标的检测和分割效果，并通过在自下而上的路径使用了通道和空间注意力机制，从而使得特征图能够更好地响应区域，抑制背景区域，从而提升检测分割效果。

本发明授权一种基于混合注意力多场景船舶检测分割方法在权利要求书中公布了：1.一种基于混合注意力多场景船舶检测分割方法，其特征在于，包括如下步骤： 步骤1：数据预处理； 选择遥感影像船舶数据集，将数据集分成训练集和测试集；对数据集中的图像进行实例分割格式标注，再进行数据增强，扩充数据集； 步骤2：特征提取； 使用ResNet101作为骨干网络进行初始化，然后利用FPN网络进行特征提取，获得特征金字塔{P2，P3，P4，P5}，通过利用浅层低级特征高分辨率和深层高级特征的高语义信息，融合不同层的特征来提高网络提取目标特征的能力，具体如下： 步骤2-1：使用预先训练的ResNet101模型初始化网络模型，分成5个阶段，这里的5个阶段分别对应着不同尺度的featuremaps输出，用来建立FPN网络的特征金字塔{P2，P3，P4，P5}； 步骤2-2：FPN网络使用自底向上路径、自顶向下路径和横向连接的方法融合浅层特征和深层特征； 步骤2-2-1：自底向上路径； 自底向上即是卷积网络的过程；对于ResNet101模型，使用每个阶段的最后一个残差结构的特征激活输出，将这些输出表示为特征图{C2，C3，C4，C5}，对应于conv2、conv3、conv4、conv5的输出； 步骤2-2-2：自顶向下路径和横向连接； 通过自底向上路径，FPN得到了四组特征图，为了将这四组倾向不同特征的特征图组合起来，FPN使用了自顶向下及横向连接的策略： P5由特征图C5使用256通道数的1×1大小的卷积核卷积而来；对特征图Pi+1，i＝4、3、2进行2倍上采样，上采样后得到的特征图与相应的特征图Ci通过逐元素相加操作进行特征融合，生成新的融合特征图，最终获得特征金字塔{P2，P3，P4，P5}； 步骤3：特征增强； 在MaskR-CNN网络中加入Bottom-up结构，接收由FPN网络获得的特征金字塔，缩短浅层特征传递到顶层之间的传递路径，来增强网络中的浅层特征的传递，使得更多的浅层特征得以被利用，并加入通道和空间注意力机制，进一步增强网络的特征提取能力，从而获得新的特征金字塔{N2，N3，N4，N5}，然后将其发送到后续网络层，具体如下： 步骤3-1：引入通道注意力机制和空间注意力机制为图像特征赋予权重；假设通过FPN网络得到特征图F＝{F1，F2，...，FC}，其中，W和H分别代表特征图F的宽和高，C代表特征图F的通道数，Fi∈RW×H代表特征图F的第i个通道的特征； 步骤3-1-1：通道注意力机制； 在对于特征图F的每个通道特征Fi上执行平均池化AveragePooling操作，将每个通道中W×H大小的特征图池化为1×1大小，得到一个通道特征向量V： V＝[V1，V2，...，VC]，V∈RC 其中Vi代表第i个通道经过平均池化后得到的特征；然后使用1×1大小的卷积核从每个通道Vi学习聚合特征，然后对学习到的特征执行Softmax操作，使得所有通道值的和为1，实现每个通道的权重分配； 步骤3-1-2：空间注意力机制 对于特征图F，空间点的集合定义为L＝{{x，y}|x＝1，...，W；y＝1，...，H}，其中x，y表示空间点的坐标；空间注意图产生的过程如下： 先利用1×1卷积将有C个通道的特征图F整合到通道数为1的一张特征图M上： M＝WS*F+bs，V∈RC 其中，WS表示卷积核，*表示卷积操作，bs表示偏置；此时，特征图M融合了特征图F中所有通道的信息； 然后对特征图M的空间上执行Softmax运算，用Ml表示空间位置l处的特征向量，则在l处得到的注意力权重为： 其中，空间所有点的权重之和为1，∑l∈LaSl＝1；完成对空间上的每个像素点分配权重； 步骤3-2：将空间注意力机制和通道注意力机制进行组合得到先通道再空间注意力单元CA-SA；该注意力单元是通过通道注意力单元CA和空间注意力单元SA按前后顺序串联而成的，特征图F先经过通道注意力单元得到通道级别的注意性特征Fca，再将Fca送入到空间注意力单元，得到最终的通道-空间注意性特征Fcsa； 步骤3-3：在MaskR-CNN网络中加入Bottom-up结构，并加入注意力机制，具体如下：为了生成特征图Ni+1，i＝2、3、4，NiW×H×C通过大小为3×3，通道数为256，卷积步长为2的卷积核进行下采样，使得特征图的高度和宽度减小了一半，与Pi+1W×H×C的大小相同，下采样后的特征图与Pi+1逐元素相加以获得融合后的特征图Ni_half，然后将融合特征图Ni_half发送到注意力单元模块CA-SA获取注意特征图Ni；最后获得新的特征金字塔{N2，N3，N4，N5}，然后将其发送到后续网格层； 步骤4：目标检测分割； 在主干网络最终产生的featuremaps集合之上，使用RPN生成多个regionproposals，然后再将这些regionproposals分别生成对应的ROI窗口，通过RoIAlign后得到对应的特征信息，进而用于后续的目标分类、目标框定位及目标框Maskmap识别； 步骤4-1：提取的特征进入RPN网络用于生成regionproposals；该层通过softmax判断anchors属于前景或者背景，再利用boundingboxregression修正anchors获得精确的proposals； 步骤4-2：根据步骤4-1中得到的候选框和步骤3-3提取的特征金字塔，通过映射关系提取候选框所对应的特征图，进入RoI池化层中将每个特征框池化到固定为H×W的尺寸； 步骤4-3：将步骤4-2中所获得特征分别传入Mask分支和全连接层；传入Mask分支后得到Mask结果，通过两个并行的全连接层，输出该区域的分类得分以及对候选框再次进行boundingboxregression获得检测框最终的位置。

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西北工业大学，其通讯地址为：710072 陕西省西安市友谊西路；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”。