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！專利年費監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉北京理工大學(xué)申請的專利基于對抗學(xué)習(xí)中差分特征感知的紅外可見光目標(biāo)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：CN116681994B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-09-05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：202310655119.1，技術(shù)領(lǐng)域涉及：G06V10/88；該發(fā)明授權(quán)基于對抗學(xué)習(xí)中差分特征感知的紅外可見光目標(biāo)檢測方法是由張睿恒;李璐;徐立新;楊志東;余恒設(shè)計研發(fā)完成，并于2023-06-05向國家知識產(chǎn)權(quán)局提交的專利申請。

本基于對抗學(xué)習(xí)中差分特征感知的紅外可見光目標(biāo)檢測方法在說明書摘要公布了：本發(fā)明公開了一種基于對抗學(xué)習(xí)中差分特征感知的紅外可見光目標(biāo)檢測方法，包括：基于由KL和JS散度組成的融合散度損失函數(shù)，用非共享的特征提取網(wǎng)絡(luò)分別提取差分的紅外特征和可見光特征；使用IR?Attention模塊和RGB?Attention模塊分別對提取到的紅外特征和可見光特征進(jìn)行再提取，更加關(guān)注紅外特征圖和可見光特征圖中的有效信息；使用F?Attention模塊對再提取到的差分的雙模特征進(jìn)行融合，保留雙模特征的共性的同時追求其更多的差異信息；使用RPN對融合的雙模特征進(jìn)行回歸與分類，完成目標(biāo)檢測。本發(fā)明的優(yōu)點是：能夠使特征提取網(wǎng)絡(luò)產(chǎn)生對抗，盡可能多得提取雙模獨特信息，并且基于多種注意力機(jī)制的特征融合網(wǎng)絡(luò)可以全面地融合互補(bǔ)的差分雙模特征，從而提高模型的檢測精度。

本發(fā)明授權(quán)基于對抗學(xué)習(xí)中差分特征感知的紅外可見光目標(biāo)檢測方法在權(quán)利要求書中公布了：1.一種基于對抗學(xué)習(xí)中差分特征感知的紅外可見光目標(biāo)檢測方法，其特征在于，包括以下步驟： 步驟一：基于由KL和JS散度組成的融合散度損失函數(shù)，用非共享的特征提取網(wǎng)絡(luò)分別提取差分的紅外特征和可見光特征； 應(yīng)用由KL散度和JS散度組成的融合散度損失函數(shù)來度量紅外特征和可見光特征之間的相似性； 紅外與可見光特征的相似度與KL和JS散度值呈負(fù)相關(guān)；KL散度表示為： JS散度表示為： 基于KL散度和JS散度定義的融合散度損失函數(shù)表示為: 式中，F(xiàn)1和F2分別為兩個骨干網(wǎng)絡(luò)各ResNet的最后一個卷積層輸出的特征；f1和f2分別表示F1和F2中各個位置的像素強(qiáng)度，它們由softmax函數(shù)計算；N表示F1或F2中的特征個數(shù)，取最大值為N； 步驟二：使用IR-Attention模塊和RGB-Attention模塊分別對步驟一中提取到的紅外特征和可見光特征進(jìn)行再提取，更加關(guān)注紅外特征圖和可見光特征圖中的有效信息； 步驟二具體子步驟如下：首先對輸入特征圖分別進(jìn)行三次線性運算，得到query、key和value三個特征圖，分別用E、F、G表示，其中接下來，將E重塑為將F重塑為后轉(zhuǎn)置為得到通道注意力矩陣： 其中Tji表示第i個通道對第j個通道的影響，此相關(guān)性與T的值成正相關(guān)；同時，將G重塑為并對T和G進(jìn)行矩陣乘法運算，將結(jié)果重塑為此為中間部分的子輸出特征圖；定義此子輸出為 使用全局平均池化Fsq·將原始特征圖壓縮為該操作壓縮了特征圖的大小，同時保留了特征圖的完整信息；M表示為： 其中H和W分別為原始特征圖的高度和寬度；接下來，將M送入兩個全連接層，得到激活值N表示為： N＝FexM,ω＝σω2δω1M11 其中σ·和δ·分別為sigmoid函數(shù)和ReLU函數(shù)；分別為第一個全連接層和第二個全連接層的權(quán)值，r為兩個全連接層中隱藏層的神經(jīng)元數(shù)量，設(shè)r為16；這部分的子輸出特征圖表示為： 其中Fscale·,·表示對應(yīng)的元素相乘； 最后，將得到的兩個子輸出特征圖和與原始特征圖F2線性組合，得到通道關(guān)注模塊的總輸出特征圖 其中α和β的初始值均為0，隨著學(xué)習(xí)過程最終確定權(quán)值，得到高度特征圖F2,H和寬度特征圖F2,W；最后，通過逐像素加法合并三個特征圖，得到RGB-Attention的輸出，即具有上下文聯(lián)系的可見光特征F'2： F'2＝F2,C+F2,H+F2,W14 步驟三：使用F-Attention模塊對再提取到的差分的雙模特征進(jìn)行融合，保留雙模特征的共性的同時追求其更多的差異信息； 步驟四：使用RPN對融合的雙模特征進(jìn)行回歸與分類，完成目標(biāo)檢測。

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)人北京理工大學(xué)，其通訊地址為：100086 北京市海淀區(qū)中關(guān)村南大街5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)”。