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(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉浙江大學申請的專利基于深度學習語義特征分離的空域小目標檢測方法獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識產(chǎn)權(quán)局授予，授權(quán)公告號為：CN116206219B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-08-22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?zhí)?專利號為：202211656664.4，技術(shù)領域涉及：G06V20/17；該發(fā)明授權(quán)基于深度學習語義特征分離的空域小目標檢測方法是由李淼;王行健;曾廣揚;史治國;陳積明設計研發(fā)完成，并于2022-12-22向國家知識產(chǎn)權(quán)局提交的專利申請。

本基于深度學習語義特征分離的空域小目標檢測方法在說明書摘要公布了：本發(fā)明公開了一種基于深度學習語義特征分離的空域小目標檢測方法。該方法包括：對輸入圖片進行預處理，消除噪聲干擾，提高對小目標的學習能力；采用神經(jīng)網(wǎng)絡處理目標圖片，并經(jīng)過反卷積操作提取神經(jīng)網(wǎng)絡的語義信息與紋理信息；利用檢測器生成目標區(qū)域存在概率圖，采用概率圖濾波處理目標語義及紋理特征，消除背景特征干擾，保留目標前景特征，稀疏化目標特征表征空間；采用Transformer結(jié)構(gòu)網(wǎng)絡通過查詢處理目標語義信息及紋理特征信息，提取目標特征間的關(guān)聯(lián)性，生成多個目標預測框集合；采用匈牙利算法，動態(tài)匹配預測框信息與真實框信息，通過最小化損失函數(shù)實現(xiàn)預測框與真實框之間的最優(yōu)動態(tài)匹配機制，在不依賴先驗信息的基礎上實現(xiàn)目標預測。

本發(fā)明授權(quán)基于深度學習語義特征分離的空域小目標檢測方法在權(quán)利要求書中公布了：1.一種基于深度學習語義特征分離的空域小目標檢測方法，其特征在于，包括圖片預處理、語義紋理特征提取、概率濾波、全局預測框生成、動態(tài)預測框匹配五個步驟： 步驟一：對輸入的空域圖片進行預處理，首先采用高斯濾波消除噪聲干擾，突出圖片邊緣，之后采用尺寸變換、小目標擴充方法提高對空域小目標的學習能力； 步驟二：采用Resnet18與Resnet34分別對步驟一處理后的目標圖片進行語義信息與紋理信息的提取，之后通過反卷積操作分別進行上采樣，提高特征的分辨率與信息豐富度； 步驟三：首先利用檢測器生成空間內(nèi)表征目標存在的概率圖，之后對目標語義特征和紋理特征進行特征之間的轉(zhuǎn)換拼接，采用概率圖濾波處理拼接后的特征，消除背景特征干擾，保留目標前景特征，通過降低背景所在區(qū)域的數(shù)字特征值，稀疏化目標特征表征空間； 步驟四：采用Transformer結(jié)構(gòu)網(wǎng)絡，利用編碼器Encoder和解碼器Decoder分別對特征空間進行編碼與解碼操作，提取目標特征間的關(guān)聯(lián)性，通過關(guān)聯(lián)性抑制背景噪聲并且強化與目標相關(guān)的區(qū)域特征，最后通過線性網(wǎng)絡生成多個目標預測框集合； 步驟五：采用匈牙利算法，將預測問題視為線性規(guī)劃問題，在不依賴先驗信息的基礎上，通過最小化類別損失、預測框回歸損失和交并比損失，實現(xiàn)預測框信息與真實框信息之間多對少的最優(yōu)動態(tài)匹配機制，并且調(diào)整網(wǎng)絡相關(guān)參數(shù)。

如需購買、轉(zhuǎn)讓、實施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請人或?qū)＠麢?quán)人浙江大學，其通訊地址為：310058 浙江省杭州市西湖區(qū)余杭塘路866號；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)”。