買(mǎi)專(zhuān)利賣(mài)專(zhuān)利找龍圖騰，真高效！ 查專(zhuān)利查商標(biāo)用IPTOP,全免費(fèi)！專(zhuān)利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉廣西綜合交通大數(shù)據(jù)研究院;桂林電子科技大學(xué)申請(qǐng)的專(zhuān)利基于對(duì)抗訓(xùn)練策略的無(wú)人機(jī)載目標(biāo)檢測(cè)方法獲國(guó)家發(fā)明授權(quán)專(zhuān)利權(quán)，本發(fā)明授權(quán)專(zhuān)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：CN120126031B 。

龍圖騰網(wǎng)通過(guò)國(guó)家知識(shí)產(chǎn)權(quán)局官網(wǎng)在2025-09-02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(zhuān)利申請(qǐng)?zhí)?專(zhuān)利號(hào)為：202510179072.5，技術(shù)領(lǐng)域涉及：G06V20/17；該發(fā)明授權(quán)基于對(duì)抗訓(xùn)練策略的無(wú)人機(jī)載目標(biāo)檢測(cè)方法是由李曉歡;凌宏濤;陳倩;唐欣設(shè)計(jì)研發(fā)完成，并于2025-02-18向國(guó)家知識(shí)產(chǎn)權(quán)局提交的專(zhuān)利申請(qǐng)。

本基于對(duì)抗訓(xùn)練策略的無(wú)人機(jī)載目標(biāo)檢測(cè)方法在說(shuō)明書(shū)摘要公布了：本發(fā)明涉及基于對(duì)抗訓(xùn)練策略的無(wú)人機(jī)載目標(biāo)檢測(cè)方法。其中的方法包括：通過(guò)無(wú)人機(jī)搭載的攝像頭實(shí)時(shí)采集公路的圖像和視頻數(shù)據(jù)，將采集數(shù)據(jù)輸入到基于改進(jìn)YOLOv7?Tiny的輕量級(jí)無(wú)人機(jī)魯棒目標(biāo)檢測(cè)模型中，前端將模型返回的檢測(cè)結(jié)果進(jìn)行可視化處理，其中，目標(biāo)檢測(cè)模型的骨干網(wǎng)絡(luò)包括基于CS模塊改進(jìn)的SPCBlock模塊，目標(biāo)檢測(cè)模型的頸部網(wǎng)絡(luò)包括Elan模塊與MDCA模塊組合形成的MDCACBlock模塊；目標(biāo)檢測(cè)模型采用改進(jìn)的投影梯度下降算法的對(duì)抗訓(xùn)練策略，以將模型生成的擾動(dòng)加載在模型第一層參數(shù)上。本發(fā)明采用輕量且具備高效特征處理能力的模塊替換傳統(tǒng)模型相應(yīng)模塊，并用被干擾的樣本去訓(xùn)練模型，實(shí)現(xiàn)無(wú)人機(jī)對(duì)公路的有效檢測(cè)監(jiān)控。

本發(fā)明授權(quán)基于對(duì)抗訓(xùn)練策略的無(wú)人機(jī)載目標(biāo)檢測(cè)方法在權(quán)利要求書(shū)中公布了：1.基于無(wú)人機(jī)的目標(biāo)檢測(cè)方法，其特征在于，所述方法包括以下步驟： S100、通過(guò)無(wú)人機(jī)搭載的攝像頭實(shí)時(shí)采集公路的圖像和視頻數(shù)據(jù)； S200、將采集數(shù)據(jù)輸入到基于改進(jìn)YOLOv7-Tiny的輕量級(jí)無(wú)人機(jī)魯棒目標(biāo)檢測(cè)模型中； S300、前端將模型返回的檢測(cè)結(jié)果進(jìn)行可視化處理； 其中，所述目標(biāo)檢測(cè)模型的骨干網(wǎng)絡(luò)包括基于CS模塊改進(jìn)的SPCBlock模塊，所述目標(biāo)檢測(cè)模型的頸部網(wǎng)絡(luò)包括Elan模塊與MDCA模塊組合形成的MDCACBlock模塊；所述SPCBlock模塊包括基于StarBlock結(jié)構(gòu)與部分卷積結(jié)合的兩個(gè)SPC模塊； 其中，所述目標(biāo)檢測(cè)模型采用改進(jìn)的投影梯度下降算法的對(duì)抗訓(xùn)練策略，以將模型生成的擾動(dòng)加載在模型第一層參數(shù)上； 其中，所述SPC模塊被配置成： 采用使用3×3卷積核的部分卷積結(jié)合批量歸一化層，處理輸入特征的四分之一，在降低計(jì)算量的同時(shí)保持了模型的精度； 將上述部分卷積處理后的特征進(jìn)行拼接，以形成更豐富的語(yǔ)義信息；將拼接后的特征輸入到特征加權(quán)模塊，以提取更為關(guān)鍵的特征； 加權(quán)后的特征通過(guò)1×1卷積進(jìn)行通道壓縮，再經(jīng)過(guò)批量歸一化和SiLU非線性激活處理，以進(jìn)一步增強(qiáng)模型的表達(dá)能力 將上述處理后的特征與第三分支的原始特征進(jìn)行殘差連接，以夠緩解訓(xùn)練過(guò)程中的梯度消失問(wèn)題并保留原始特征信息； 其中，所述MDCA模塊由多尺度膨脹卷積和CA注意力機(jī)制模塊組合而成； 其中，所述MDCA模塊被配置成：包括三個(gè)并行膨脹卷積分支，每個(gè)所述膨脹卷積分支為分別采用擴(kuò)張率均為3的3×3膨脹卷積，以捕獲不同尺度的上下文信息；三個(gè)所述膨脹卷積分支的捕獲特征與擴(kuò)張率為3的卷積輸出再次拼接，以形成更豐富的多尺度特征表示；上述拼接后的特征通過(guò)1x1卷積融合特征并進(jìn)行降維減少計(jì)算量，融合后的特征進(jìn)一步輸入到CA注意力機(jī)制模塊，以有效地捕捉空間維度和通道維度上的依賴(lài)關(guān)系；通過(guò)殘差連接結(jié)構(gòu)將原始輸入特征與處理后的特征相加；模塊的輸入經(jīng)過(guò)一個(gè)1×1卷積層，以降維和提取初步特征；將初步特征通過(guò)批量歸一化和ReLU激活函數(shù)，進(jìn)行非線性變換，以增強(qiáng)模型的表達(dá)能力并提高訓(xùn)練的穩(wěn)定性；特征進(jìn)入一個(gè)擴(kuò)張率為3的3×3膨脹卷積層，以在不增加額外參數(shù)的前提下大幅度擴(kuò)大感受野；其中，所述膨脹卷積層包括擴(kuò)張率為3的3×3卷積核；經(jīng)過(guò)膨脹卷積處理后的輸出特征與原始輸入特征通過(guò)Concatenate操作進(jìn)行拼接，以進(jìn)一步豐富特征表達(dá)及強(qiáng)模型對(duì)不同層級(jí)特征的捕捉能力。

如需購(gòu)買(mǎi)、轉(zhuǎn)讓、實(shí)施、許可或投資類(lèi)似專(zhuān)利技術(shù)，可聯(lián)系本專(zhuān)利的申請(qǐng)人或?qū)＠麢?quán)人廣西綜合交通大數(shù)據(jù)研究院;桂林電子科技大學(xué)，其通訊地址為：530001 廣西壯族自治區(qū)南寧市青秀區(qū)廂竹大道4號(hào)竹溪嘉園3樓；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(huà)0551-65771310或微信搜索“龍圖騰網(wǎng)”。