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！

龙图腾网恭喜中国人民解放军陆军工程大学;中国人民解放军陆军炮兵防空兵学院申请的专利基于多尺度池化金字塔的HRNet自蒸馏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：CN114187308B 。

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：202111540428.1，技术领域涉及：G06T7/11；该发明授权基于多尺度池化金字塔的HRNet自蒸馏目标分割方法是由郑云飞;曹铁勇;杨吉斌;张雄伟;王晓兵;方正;孙蒙;赵斐;李莉;邓小桐;王杨;邢立新;李臣明;陶海军;陈卫国;于远鹏;高波;章乐贵;王勇;邢浩;赖远明设计研发完成，并于2021-12-16向国家知识产权局提交的专利申请。

本基于多尺度池化金字塔的HRNet自蒸馏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多尺度池化金字塔的HRNet自蒸馏目标分割方法，该方法包括：将多尺度池化金字塔模块分别与HRNet的分支特征、输出特征级联，获得4组分支蒸馏特征和1组输出端蒸馏特征，提升HRNet的特征表示能力；构建自蒸馏学习结构，包含分支一致性蒸馏学习结构和自下而上蒸馏学习结构，保证分支结构优化方向的一致性和正确性；将HRNet的原始分割网络作为基准模型，在基准模型上构建自蒸馏学习结构，融合KL散度、交叉墒损失、结构化相似性损失构成自蒸馏学习损失函数进行模型训练，实现更准确的自蒸馏学习，采用训练好的模型获得图像目标分割结果。本发明有效提升了HRNet基准模型的目标分割性能。

本发明授权基于多尺度池化金字塔的HRNet自蒸馏目标分割方法在权利要求书中公布了：1.一种基于多尺度池化金字塔的HRNet自蒸馏目标分割方法，其特征在于，包括： 步骤1、将多尺度池化金字塔模块分别与HRNet的分支特征、输出特征级联，获得4组分支蒸馏特征和1组输出端蒸馏特征； 步骤2、构建自蒸馏学习结构，所述自蒸馏学习结构包含分支一致性蒸馏学习结构和自下而上蒸馏学习结构； 步骤3、将HRNet的原始分割网络作为基准模型，在基准模型上构建自蒸馏学习结构，融合KL散度、交叉墒损失、结构化相似性损失构成自蒸馏学习损失函数进行模型训练，采用训练好的模型获得图像目标分割结果； 步骤1所述将多尺度池化金字塔模块分别与HRNet的分支特征、输出特征级联，获得4组分支蒸馏特征和1组输出端蒸馏特征，具体如下： 1对于一个分支蒸馏特征，网络结构包括顺次设置的卷积层Subconv、多尺度池化金字塔模块PSPModule、卷积层Score、Subsoftmax层，所述卷积层Subconv的四个参数分别为卷积核宽、卷积核高、输入通道数、输出通道数，多尺度池化金字塔模块PSPModule1的两个参数分别为输入通道数、输出通道数； 2对于输出端蒸馏特征，网络结构包括顺次设置的级联层Concat、多尺度池化金字塔模块PSPModule、卷积层Score、Subsoftmax层； 所述多尺度池化金字塔模块PSPModule，具体如下： 设定输入特征InFeat大小为h×w×n，h表示高、w表示宽、n表示通道数，多尺度池化金字塔模块PSPModule的具体结构为：输入特征InFeat→并行四路池化特征提取层→级联层→卷积层→输出特征OutFeat；其中，输出特征OutFeat大小为h×w×n； 四路池化特征提取层结构中的第一路结构为：池化层1×1→卷积层1×1×n×n→归一化层→双线性插值层h×w×n→池化特征；四路池化特征提取层区别在于池化层的参数不同，其他三路的池化层参数分别为2×2、3×3、6×6； 步骤2中自蒸馏学习结构包含分支一致性蒸馏学习结构和自下而上蒸馏学习结构，其中： 分支一致性蒸馏学习结构：将HRNet的4组分支蒸馏特征分别作为教师端和学生端，共生成12组蒸馏对； 自下而上蒸馏学习结构：将HRNet的输出端蒸馏特征作为教师端，将4组分支蒸馏特征分别作为学生端，生成4组蒸馏对； 融合以上16组蒸馏对构成自蒸馏学习结构； 步骤3所述融合KL散度、交叉墒损失、结构化相似性损失构成自蒸馏学习损失函数进行模型训练，具体如下： 给定训练数据集D＝{xi,yi|i＝1,2,...,N}，其中xi表示数据集中第i个图像数据，N为数据集包含的图像数量，yi∈1,...,K表示对应的像素级标注图，K为预测类别数量；Wm为网络主体的权重矩阵,为自蒸馏结构中的辅助分类网络权重矩阵，M为辅助分类网络个数，且将辅助分类网络在总体网络中连接的具体位置记为A＝{ai|i＝1,2,...,M}； 自蒸馏学习的总体损失函数表示为： 式1中Lm为网络主体的交叉墒损失函数： 式1中Ls为自蒸馏网络的预测结果相对于标注图产生的预测损失，即交叉墒损失与结构化相似性损失的融合，具体如下： 其中第一项为KL散度损失，具体如式5所示，第二项为结构化相似性损失具体如公式6所示： 式6中SSIM*,*为结构化相似相度量，用图像区域的亮度、对比度和结构差异度量两幅图像的结构化差异； 将简写为fkxi，式6中结构化相似性具体为： 其中分别为yi k和fkxi的均值，分别为yi k和fkxi的标准差，为和fkxi之间的协方差；C1＝0.012、C2＝0.032为两个常数； 式1中Lk为自蒸馏结构的蒸馏损失，具体如式8所示，第一项为两个蒸馏辅助分类器输出的KL散度损失，其中KL*为KL距离；第二项为两者的结构化相似性损失，λ1、λ2为两个权重参数，分别设置为0.8、0.2，

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中国人民解放军陆军工程大学;中国人民解放军陆军炮兵防空兵学院，其通讯地址为：210007 江苏省南京市秦淮区后标营路88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”。