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)獲悉北京郵電大學申請的專利一種基于解耦級聯(lián)區(qū)域生成網(wǎng)絡的開放世界目標檢測方法獲國家發(fā)明授權專利權，本發(fā)明授權專利權由國家知識產權局授予，授權公告號為：CN116805389B 。

龍圖騰網(wǎng)通過國家知識產權局官網(wǎng)在2025-09-05發(fā)布的發(fā)明授權授權公告中獲悉：該發(fā)明授權的專利申請?zhí)?專利號為：202310722763.6，技術領域涉及：G06V10/82；該發(fā)明授權一種基于解耦級聯(lián)區(qū)域生成網(wǎng)絡的開放世界目標檢測方法是由焦繼超;劉邁;李寧;范家碩;丁奔設計研發(fā)完成，并于2023-06-16向國家知識產權局提交的專利申請。

本一種基于解耦級聯(lián)區(qū)域生成網(wǎng)絡的開放世界目標檢測方法在說明書摘要公布了：本發(fā)明提出一種基于解耦級聯(lián)區(qū)域生成網(wǎng)絡的開放世界目標檢測方法，屬于開放世界目標檢測領域，首先，將RGB圖像輸入resnet50模型，提取不同尺度的特征圖；并通過fpn模塊進行多尺度信息融合，將融合特征圖輸入到改進的解耦級聯(lián)區(qū)域生成網(wǎng)絡中，解耦定位質量估計和回歸分支，獨立傳播梯度，并通過級聯(lián)網(wǎng)絡由粗到細調整候選框，生成可能包含未知物體的候選框的坐標修正量以及概率；然后，經(jīng)過非最大值抑制，選擇超過概率和低于重疊度閾值的候選框，執(zhí)行RoiAlign，獲取融合特征圖中包含未知物體的位置，對齊到精確的候選框，并微調候選框的位置，提取候選框對應的特征向量輸入全連接層，進行定位框回歸和定位質量評估，得到最后的檢測結果。本發(fā)明具有高召回率。

本發(fā)明授權一種基于解耦級聯(lián)區(qū)域生成網(wǎng)絡的開放世界目標檢測方法在權利要求書中公布了：1.一種基于解耦級聯(lián)區(qū)域生成網(wǎng)絡的開放世界目標檢測方法，其特征在于，包括以下步驟： 步驟一、首先將采集的RGB圖像輸入到resnet50模型，提取不同尺度的特征圖； 首先，RGB圖像進行預處理后，輸入到resnet50模型不同stages的殘差模塊中；經(jīng)過殘差模塊得到深層特征圖xl+1： xl+1＝xl+Fxl,Wl 其中，xl代表淺層特征圖，F(xiàn)xl,Wl代表殘差函數(shù)，輸出特征圖； 然后，將深層特征圖xl+1通過模型backbone進行特征圖提取，得到4個stages上不同尺度的特征圖； 步驟二、將不同尺度的特征圖通過fpn模塊進行多尺度信息融合，輸出高分辨率、強語義的融合特征圖； 步驟三、將融合特征圖輸入到改進的解耦級聯(lián)區(qū)域生成網(wǎng)絡中，生成可能包含未知物體的候選框的坐標修正量以及該候選框包含物體的概率； 具體步驟如下： 步驟301、解耦級聯(lián)區(qū)域生成網(wǎng)絡根據(jù)先驗知識，在輸入的融合特征圖上生成一系列的候選框； 解耦級聯(lián)區(qū)域生成網(wǎng)絡包括兩個階段，在第一階段產生粗篩候選框；在第二階段通過偏移，使候選框對齊感興趣區(qū)域，產生更精確的候選框； 然后，通過解耦定位質量估計和定位框回歸的參數(shù)分支，讓模型更快收斂； 每個分支都包含解耦模塊，由3*3卷積，GroupNorm歸一化和ReLU激活函數(shù)組成，并在解耦模塊最后一層中，把3*3卷積替換為可變形卷積； 解耦模塊參數(shù)分支定義如下式： Gix＝RELUGNConvx,i＝1,…,n 其中，當i＝1到n-1時，Convx代表3*3卷積，當i＝n時，卷積替換為可變形卷積； 最后，通過解耦卷積分支來分別傳播子任務梯度，得到不同尺度對應的不同感受野的特征圖； 公式如下： DClocx,DCregx＝L2NormGn…G2G1Cx DClocx,DCregx分別代表經(jīng)過解耦級聯(lián)區(qū)域生成網(wǎng)絡輸出的特征圖，L2Norm代表L2歸一化，Cx是級聯(lián)模塊，通過Cx模塊，逐漸迭代不同階段的特征圖； 步驟302、將步驟301輸出的候選框輸入總損失函數(shù)中，結合候選框中物體和真實物體位置和形狀的重疊程度，進行候選框的回歸； 解耦級聯(lián)區(qū)域生成網(wǎng)絡的總損失函數(shù)的計算公式為： 其中，是定位質量評估分支的損失函數(shù)的值，是在階段τ中，定位框回歸分支損失函數(shù)的值；λ為超參數(shù)，用于調整定位框回歸分支損失函數(shù)在總損失函數(shù)中的權重；ατ是每個階段的權重函數(shù)，θRpn,θFpn是解耦級聯(lián)區(qū)域生成網(wǎng)絡和fpn的參數(shù)； 步驟303、在特征圖上每個可能包含未知物體的區(qū)域上，對應若干回歸的候選框，計算每個回歸候選框的坐標修正量以及其包含物體的概率； 概率計算公式為： 其中，flocx是定位質量估計分支的參數(shù)，經(jīng)過sigmoid激活函數(shù)，輸出0，1之間的概率值，此時，輸出概率值越大，則包含檢測物體概率越大； 步驟四、經(jīng)過非最大值抑制，選擇超過概率閾值和低于重疊度閾值的候選框，執(zhí)行RoiAlign，獲取融合特征圖中包含未知物體的位置，對齊到精確的候選框，并微調候選框的位置，提取候選框對應的特征向量輸出； 步驟五、將特征向量分別輸入全連接層，進行定位框回歸和定位質量評估，得到最后的檢測結果，輸出檢測框的坐標和對應置信度。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯(lián)系本專利的申請人或專利權人北京郵電大學，其通訊地址為：100876 北京市海淀區(qū)西土城路10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)”。