買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉中國礦業大學;江蘇比特達信息技術有限公司申請的專利用于紅外圖像的交互式卷積與動態聚焦的特征集成方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN120339779B 。

龍圖騰網通過國家知識產權局官網在2025-08-19發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202510816805.1，技術領域涉及：G06V10/80；該發明授權用于紅外圖像的交互式卷積與動態聚焦的特征集成方法是由趙作鵬;姚欣茹;劉文文;李露;徐珊珊;胡帥設計研發完成，并于2025-06-18向國家知識產權局提交的專利申請。

本用于紅外圖像的交互式卷積與動態聚焦的特征集成方法在說明書摘要公布了：本發明公開用于紅外圖像的交互式卷積與動態聚焦的特征集成方法，包括：通過紅外相機獲得各種真實場景下不同分辨率的紅外圖像對；對一部分原高分辨率圖像進行退化預處理獲得低質量高分辨率圖像構成混合低分辨率數據集，將處理好的數據集劃分成訓練集和測試集；構建一個雙層特征提取模塊進行特征建模；利用處理好的訓練集訓練網絡，優化損失函數；將低分辨率紅外圖像輸入訓練好的網絡，輸出高分辨率重建結果。本發明通過融合局部與全局特征，顯著提升紅外圖像在低對比度、模糊邊緣等復雜場景下的超分辨率重建質量，同時保持較高的計算效率。

本發明授權用于紅外圖像的交互式卷積與動態聚焦的特征集成方法在權利要求書中公布了：1.用于紅外圖像的交互式卷積與動態聚焦的特征集成方法，其特征在于，包括如下步驟： S1、通過紅外相機獲得各種真實場景下不同分辨率的紅外圖像對； S2、對一部分原高分辨率圖像進行退化預處理，獲得低質量高分辨率圖像構成混合低分辨率數據集，將處理好的數據集劃分成訓練集和測試集； S3、構建一個雙層特征提取模塊進行特征建模，包括淺層特征提取和深層特征提取兩個階段，先由3×3的卷積核提取淺層特征，捕捉圖像中的局部細節和高頻信息，再使用深層提取模塊關注全局上下文和語義信息，理解圖像的整體結構和語義關系，具體為： S3.1-1、所述淺層特征提取模塊采用3×3卷積層對輸入的低分辨率紅外圖像進行初步特征提取，輸出淺層特征圖，設置輸入的低分辨率圖像為： ； 式中，是圖像的空間分辨率，即：高度×寬度，是輸入通道數，紅外圖像為單通道為1，在設定卷積核為的情況下，輸出特征圖F的每個像素值通過以下公式計算： ； 式中，是卷積核的尺寸空間，是輸出特征圖的像素坐標，c是輸出通道索引，，為輸出通道數；是偏置項，初始化為0；是填充后的邊界處理； S3.1-2、輸入尺寸為，卷積核大小為kk，步長s=1，沒有填充即p=0，則輸出尺寸如下： ； ； 式中，和是在無填充的情況下輸出長和寬； 深層特征提取模塊由多個特征融合塊堆疊而成，其中的模塊使用雙向信息交互機制用于增強特征表達能力，包括基于深度卷積的源信息分支和基于注意力機制的信息分支,具體為： S3.2-1、深層特征融合塊將卷積分支的特征通過全局平均池化、1×1卷積層和Sigmoid激活函數生成通道注意力圖，用于增強自注意力分支的特征表示，其中，全局平均池化捕獲全局上下文信息，避免局部偏差，對每個通道計算全局均值，得到通道描述符： ； 其中，是輸入特征X在位置（i，j）的第c個通道值，是所有通道； S3.2-2、通過通道注意力機制增強特征表示，即：利用卷積分支來提取局部特征，自注意力分支建模全局依賴關系、通道注意力圖動態調整特征權重，融合兩者優勢，其中通過1×1卷積壓縮通道數，降維到Cr，r是壓縮比： ； 式中，，s是壓縮后的特征向量，且；另外，通道注意力圖中采用激活函數，公式如下： ； 式中的ReLU為非線性變換； S3.2-3、雙向信息交互機制的另一信息分支來自空間交互模塊，將自注意力分支的特征通過1×1卷積層和Sigmoid激活函數生成空間注意力圖，用于增強卷積分支的特征表示，其中在生成空間注意力權重時通過全連接層和Sigmoid激活函數，生成空間注意力權重： ； ； 式中，是全連接層權重，屬于實數范圍，是偏置項；是sigmoid函數，確保權重值； 所述深層特征融合塊采用雙分支并行結構，包括卷積分支和自注意力分支，并通過雙向信息交互機制實現通道與空間維度的特征增強，具體步驟為： S3.3-1、卷積分支采用雙路徑深度卷積結構，第一路徑采用3×3深度卷積，第二路徑采用5×5深度卷積，兩路徑的輸出通過1×1卷積進行降維后拼接，形成最終卷積分支特征，兩個路徑的特征輸出計算如下公式： ； ； 式中，X屬于是輸入特征，H×W為空間分辨率，C為通道數，K表示的卷積核，b是該卷積核大小下的可選偏置項；將兩個分支的輸出特征圖在通道維度上直接拼接，形成最終融合特征，融合雙路徑特征的公式如下： ； 式中，和是兩個路徑輸出的特征，是1×1降維卷積操作，其卷積核大小為1×1； S3.3-2、所述自注意力分支采用窗口劃分與多頭自注意力機制，用于建模全局依賴關系，即將輸入特征劃分為多個非重疊窗口，在每個窗口內計算自注意力、采用多頭自注意力機制，將特征劃分為多個子空間并行計算、采用窗口偏移策略，增強不同窗口間的信息交互，通過計算特征之間的相關性來生成注意力權重，具體公式如下： ； 其中，Z是經過自注意力加權后的特征表示，包含了全局上下文信息，D是特征的維度，Softmax是歸一化指數函數，Q、K和V是輸入特征X分別映射到查詢、鍵和值； S4、利用處理好的訓練集訓練網絡，優化損失函數； S5、將低分辨率紅外圖像輸入訓練好的網絡，輸出高分辨率重建結果。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人中國礦業大學;江蘇比特達信息技術有限公司，其通訊地址為：221000 江蘇省徐州市銅山區大學路1號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。