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！

龍圖騰網獲悉南京理工大學申請的專利一種紅外raw數據全階段弱小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：CN115471735B 。

龍圖騰網通過國家知識產權局官網在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：202211233846.0，技術領域涉及：G06V20/00；該發(fā)明授權一種紅外raw數據全階段弱小目標檢測方法是由王歡;顧曉東;陶叔銀設計研發(fā)完成，并于2022-10-10向國家知識產權局提交的專利申請。

本一種紅外raw數據全階段弱小目標檢測方法在說明書摘要公布了：本申請公開了一種紅外raw數據全階段弱小目標檢測方法，首先構建紅外弱小目標檢測模型，紅外弱小目標檢測模型包括圖像塊嵌入模塊、大小目標分類模塊、弱小目標檢測模塊、大目標檢測模塊；其次構建用于訓練紅外弱小目標檢測模型的訓練集；再次設計總損失函數，使得大小目標分類模塊、弱小目標檢測模塊、大目標檢測模塊快速收斂；接著利用訓練集訓練紅外弱小目標檢測模型；最后將測試圖片輸入訓練好的模型進行檢測。本方法不僅能在目標距離成像設備較遠的場景下將目標很好地分割出來，而且在目標距離不斷接近成像設備的場景下同樣能夠將目標分割出來，同時分割結果具有較低的虛警率，網絡能夠更好地識別紅外弱小目標。

本發(fā)明授權一種紅外raw數據全階段弱小目標檢測方法在權利要求書中公布了：1.一種紅外raw數據全階段弱小目標檢測方法，其特征在于，包括以下步驟： 步驟1、構建紅外弱小目標檢測模型，所述紅外弱小目標檢測模型包括圖像塊嵌入模塊、大小目標分類模塊、弱小目標檢測模塊、大目標檢測模塊；所述圖像塊嵌入模塊用于對輸入的原始紅外圖像進行特征提取，所述大小目標分類模塊用于判斷原始圖像中的目標為弱小目標還是大目標，所述弱小目標檢測模塊、大目標檢測模塊分別用于對弱小目標或大目標進行檢測； 步驟2、構建用于訓練紅外弱小目標檢測模型的訓練集； 步驟3、設計總損失函數，使得大小目標分類模塊、弱小目標檢測模塊、大目標檢測模塊快速收斂； 步驟4、利用訓練集訓練紅外弱小目標檢測模型； 步驟5、將測試圖片輸入訓練好的模型進行檢測； 所述圖像塊嵌入模塊包括一個中心差分卷積CDC和兩個普通卷積Conv，這三個卷積操作的卷積核大小均為3×3，中心差分卷積的步長為1，普通卷積的步長為2；圖像塊嵌入模塊將輸入的紅外圖像依次通過一個中心差分卷積和兩個普通卷積，進行初步特征提取，輸出一個特征矩陣； 所述弱小目標檢測模塊包括編碼器和解碼器； 所述編碼器分為4個階段，每個階段由數個基本特征提取模塊組成，提取一個尺度上的特征，各階段之間通過一個下采樣模塊相連； 所述解碼器由全連接層、池化層、層標準化、激活層和上采樣組成；第一步，解碼器采用不同比率的池化層對編碼器第4階段輸出的特征矩陣進行矩陣尺寸的壓縮，生成4個不同尺寸的特征矩陣；對這4個特征矩陣分別利用全連接層、層標準化和激活層進行特征映射；最后，4個不同的特征矩陣采用不同比率進行上采樣后，沿著通道維度進行矩陣拼接，生成一個新的特征矩陣；第二步，解碼器對第一步中生成的特征矩陣和編碼器第1、2、3階段提取的特征采用不同比率進行上采樣后，沿著通道維度進行矩陣拼接，依次經過全連接層、層標準化層、激活層進行特征再提取，最后輸出一個目標像素為255、背景像素為0的二值圖； 編碼器分為4個階段，每個階段基本特征提取模塊數量分別為2、2、6、2，提取一個尺度上的特征，各階段之間通過一個下采樣模塊相連；每一階段基本特征提取模塊的輸出是一個特征矩陣，輸入則是上一階段基本特征提取模塊輸出的特征矩陣；基本特征提取模塊由自注意力計算模塊和前饋網絡組成，自注意力模塊首先利用層標準化對輸入的特征矩陣進行標準化，然后通過全連接層進行特征映射，生成一個特征矩陣Q，對Q進行兩次復制，得到矩陣K、V；再對Q、K、V采用Bayer插值并重排列后生成Q′、K′、V′，Q′、K′、V′分別劃分成4×4的小塊后再分別重排列，即最后計算基于分塊的自注意力矩陣，前饋網絡是對自注意力模塊輸出的特征矩陣，通過全連接層和激活層進行特征提取，通過移位和殘差連接擴大全連接層的感受野，增強模型的上下文理解能力，最后輸出一個新的特征矩陣。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人南京理工大學，其通訊地址為：210094 江蘇省南京市玄武區(qū)孝陵衛(wèi)200號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。