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！

申请/专利权人：江南大学;大连理工大学;吉林大学;苏州大学

摘要：本发明涉及计算机视觉技术领域，尤其是指一种基于归纳偏置和动态特征聚合的深度智能分割方法，包括：构建图像智能分割模型，包括初始层、编码器、瓶颈层、解码器、空间注意力模块以及输出层；将原始图像输入至图像智能分割模型，输出分割预测图像。所述图像智能分割模型应用DConvNeXt模块，结合具有动态特征建模能力的可变形卷积v4算子与高效局部注意力机制作为令牌混合器，在有效提升模型的特征建模能力的同时，显著增强了特征表示的灵活性和动态性。本发明能够有效处理复杂图像分割任务，显著提高了在多样化应用场景中的适应性和处理复杂图像的分割精度。

主权项：1.一种基于归纳偏置和动态特征聚合的深度智能分割方法，其特征在于，包括：构建图像智能分割模型，包括初始层、编码器、瓶颈层、解码器、空间注意力模块以及输出层；将原始图像输入至图像智能分割模型，输出分割预测图像，包括：将原始图像输入至图像智能分割模型的初始层，得到初始特征图；将初始特征图输入至编码器，得到每个阶段的编码特征图；所述编码器包括四个阶段，每个阶段包括沿正传播方向连接的DConvNeXt模块和下采样模块；编码器中每个阶段的DConvNeXt模块的输出为该阶段的编码特征图；所述DConvNeXt模块包括依次连接的令牌混合器、归一化层和多层感知机；多层感知机的输出特征与DConvNeXt模块的输入特征相加后得到DConvNeXt模块的输出特征；所述令牌混合器包括依次连接的可变形卷积v4算子和高效局部注意力机制，可变形卷积v4算子的输出特征与高效局部注意力机制的输出特征相加后得到令牌混合器的输出特征；将编码器中最后一个阶段的编码特征图输入至瓶颈层，得到瓶颈层输出特征图；将瓶颈层输出特征图输入至解码器，得到解码特征图；所述解码器包括四个阶段，每个阶段包括沿正传播方向连接的上采样模块和DConvNeXt模块；在解码器中，每个阶段的上采样模块的输出特征图与编码器对应阶段的编码特征图通过跳跃连接输入至空间注意力模块，空间注意力模块的输出特征图与该阶段上采样模块的输出特征图相加后作为该阶段DConvNeXt模块的输入；解码器中最后一个阶段的DConvNeXt模块的输出为解码特征图；将解码特征图输入至输出层，得到分割预测图像。

全文数据：

权利要求：

百度查询： 江南大学 大连理工大学 吉林大学 苏州大学 一种基于归纳偏置和动态特征聚合的深度智能分割方法