買專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費(fèi)！專利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉浙江工業(yè)大學(xué)申請(qǐng)的專利一種融合空間注意力和自注意變換網(wǎng)絡(luò)的雷達(dá)分割方法獲國(guó)家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國(guó)家知識(shí)產(chǎn)權(quán)局授予，授權(quán)公告號(hào)為：CN114119615B 。

龍圖騰網(wǎng)通過(guò)國(guó)家知識(shí)產(chǎn)權(quán)局官網(wǎng)在2025-08-29發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請(qǐng)?zhí)?專利號(hào)為：202111204699.X，技術(shù)領(lǐng)域涉及：G06V10/25；該發(fā)明授權(quán)一種融合空間注意力和自注意變換網(wǎng)絡(luò)的雷達(dá)分割方法是由劉盛;曹益烽;李丁達(dá);黃文豪;陳勝勇設(shè)計(jì)研發(fā)完成，并于2021-10-15向國(guó)家知識(shí)產(chǎn)權(quán)局提交的專利申請(qǐng)。

本一種融合空間注意力和自注意變換網(wǎng)絡(luò)的雷達(dá)分割方法在說(shuō)明書摘要公布了：本發(fā)明公開(kāi)了一種融合空間注意力和自注意變換網(wǎng)絡(luò)的雷達(dá)分割方法，將原始點(diǎn)云采用實(shí)例注入的方法，獲得實(shí)例增強(qiáng)后的點(diǎn)云數(shù)據(jù)，增強(qiáng)后的點(diǎn)云數(shù)據(jù)提取每個(gè)點(diǎn)的特征，每一個(gè)體素保留特征值最大的點(diǎn)作為體素的特征，將體素特征和體素坐標(biāo)構(gòu)建稀疏張量，通過(guò)融合稀疏空間注意力和Transformer的類unet網(wǎng)絡(luò)提取體素特征。網(wǎng)絡(luò)輸出體素語(yǔ)義信息，并轉(zhuǎn)化為點(diǎn)云的語(yǔ)義信息，輸出語(yǔ)義分割結(jié)果。本發(fā)明提高了網(wǎng)絡(luò)預(yù)測(cè)邊緣類別的精度。

本發(fā)明授權(quán)一種融合空間注意力和自注意變換網(wǎng)絡(luò)的雷達(dá)分割方法在權(quán)利要求書中公布了：1.一種融合空間注意力和自注意變換網(wǎng)絡(luò)的雷達(dá)分割方法，其特征在于，所述融合空間注意力和自注意變換網(wǎng)絡(luò)的雷達(dá)分割方法，包括： S1、將原始點(diǎn)云采用實(shí)例注入的方法，獲得實(shí)例增強(qiáng)后的點(diǎn)云數(shù)據(jù)； S2、將所述增強(qiáng)后的點(diǎn)云數(shù)據(jù)經(jīng)過(guò)MLP模塊提取每個(gè)點(diǎn)的特征，每一個(gè)體素保留特征值最大的點(diǎn)作為體素的特征； S3、將體素特征和體素坐標(biāo)構(gòu)建成稀疏張量，輸入構(gòu)建好的語(yǔ)義分割網(wǎng)絡(luò)進(jìn)行訓(xùn)練，輸出體素語(yǔ)義信息，并轉(zhuǎn)化為點(diǎn)云的語(yǔ)義信息，輸出語(yǔ)義分割結(jié)果，所述語(yǔ)義分割網(wǎng)絡(luò)包括多個(gè)階段，每個(gè)階段從輸入側(cè)到輸出側(cè)依次包括編碼器和解碼器，第一階段的編碼器前還包括拓展維度的線性層，第一階段的解碼器后還包括SegHead層；各階段所述編碼器結(jié)合不對(duì)稱殘差卷積模塊和空間注意力機(jī)制對(duì)輸入特征進(jìn)行編碼，強(qiáng)化語(yǔ)義信息，獲得編碼器的輸出特征；除最后一階段的其他階段編碼器的輸出特征經(jīng)過(guò)下采樣層后傳遞給下一階段的編碼器；最后一階段的編碼器的輸出特征傳入自注意變換網(wǎng)絡(luò)Transformer；每階段的編碼器的輸出特征與下一階段解碼器的輸出特征經(jīng)過(guò)上采樣層后共同輸入到本階段的解碼器中；第一階段解碼器的輸出特征經(jīng)過(guò)所述SegHead層輸出點(diǎn)云中每個(gè)體素屬于每個(gè)類的概率； 其中，所述SegHead層從輸入側(cè)到輸出側(cè)依次包括3x3x3卷積層、BatchNorm層和ReLU激活函數(shù)； 所述不對(duì)稱殘差模塊輸入特征經(jīng)過(guò)兩個(gè)分支，第一分支從輸入側(cè)到輸出側(cè)依次經(jīng)過(guò)1x3x3卷積層、BatchNorm層、ReLU激活函數(shù)、3x1x3卷積層、BatchNorm層和ReLU激活函數(shù)；第二分支從輸入側(cè)到輸出側(cè)依次經(jīng)過(guò)3x1x3卷積層、BatchNorm層、ReLU激活函數(shù)、3x1x3卷積層、BatchNorm層和ReLU激活函數(shù)，所述的不對(duì)稱殘差卷積模塊將以上兩個(gè)分支通過(guò)元素相加得到輸出特征； 所述的空間注意力機(jī)制輸入特征依次經(jīng)過(guò)3x3x3卷積層、BatchNorm層，ReLU激活函數(shù)得到特征1，然后經(jīng)過(guò)1x1x1卷積層、BatchNorm層和sigmoid激活函數(shù)得到特征2，所述的特征1和所述的特征2元素相加的到特征3，特征3和空間注意力機(jī)制輸入元素相乘的到空間注意力機(jī)制的輸出； 所述自注意變換網(wǎng)絡(luò)，首先對(duì)位置信息進(jìn)行位置編碼計(jì)算得到點(diǎn)與點(diǎn)之間的位置關(guān)系特征，然后與特征信息相融合，融合后的信息先后經(jīng)過(guò)兩次layerNorm層、self-attention模塊和MLP層，跳躍連接對(duì)輸入和self-attention模塊兩者特征相加；self-attention模塊輸入特征分別經(jīng)過(guò)三個(gè)線性層的到query，key和value特征，再用query特征和key特征的轉(zhuǎn)置矩陣相乘得到注意力圖特征，最后將注意力圖特征經(jīng)過(guò)softmax后與value特征相乘作為模塊的輸出特征。

如需購(gòu)買、轉(zhuǎn)讓、實(shí)施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請(qǐng)人或?qū)＠麢?quán)人浙江工業(yè)大學(xué)，其通訊地址為：310014 浙江省杭州市下城區(qū)潮王路18號(hào)；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。