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)獲悉西安電子科技大學申請的專利基于特征分離卷積神經(jīng)網(wǎng)絡的SAR圖像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(chǎn)權局授予，授權公告號為：CN115661636B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)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：202211183884.X，技術領域涉及：G06V20/10；該發(fā)明授權基于特征分離卷積神經(jīng)網(wǎng)絡的SAR圖像目標檢測方法是由杜蘭;李毅;杜宇昂;周宇設計研發(fā)完成，并于2022-09-27向國家知識產(chǎn)權局提交的專利申請。

本基于特征分離卷積神經(jīng)網(wǎng)絡的SAR圖像目標檢測方法在說明書摘要公布了：本發(fā)明公開了一種基于特征分離卷積神經(jīng)網(wǎng)絡的SAR圖像目標檢測方法，主要解決現(xiàn)有技術難以對復雜場景SAR圖像的背景雜波進行精確建模且對復雜場景SAR圖像進行目標檢測時的虛警和漏警多的問題，實現(xiàn)步驟為：生成訓練集；構建特征分離卷積神經(jīng)網(wǎng)絡；訓練特征分離卷積神經(jīng)網(wǎng)絡；檢測待測試圖像中的目標位置；得到目標檢測后的大幅SAR圖像。本發(fā)明對輸入的SAR圖像進行特征分離，利用網(wǎng)絡中的特征分離模塊去除SAR圖像中對目標檢測不利的特征，不需要對背景雜波提前建模且能夠顯著減少對復雜場景SAR圖像進行目標檢測時的虛警和漏警，提升了目標檢測精度。

本發(fā)明授權基于特征分離卷積神經(jīng)網(wǎng)絡的SAR圖像目標檢測方法在權利要求書中公布了：1.一種基于特征分離卷積神經(jīng)網(wǎng)絡的SAR圖像目標檢測方法，其特征在于，利用主干模塊提取SAR圖像的特征，利用特征分離模塊對SAR圖像的特征進行分離；該方法的步驟包括如下： 步驟1，生成訓練集： 步驟1.1，采集至少7張大幅合成孔徑雷達SAR圖像； 步驟1.2，利用窗口大小為300×300的劃窗操作，將每張大幅SAR圖像裁剪為每張像素為300×300的多張子圖像，并對每張子圖像進行標記； 步驟1.3，將所有標記后的子圖像組成訓練集； 步驟2，構建特征分離卷積神經(jīng)網(wǎng)絡： 步驟2.1，搭建一個10層的主干模塊，其結構依次為：第一卷積層，第二卷積層，第一池化層，第三卷積層，第四卷積層，第二池化層，第五卷積層，第六卷積層，第七卷積層，第三池化層；將第一至第七卷積層的卷積核大小均設置為3×3；將第一至第七卷積層的卷積核數(shù)量分別設置為64，64，128，128，256，256，256；將第一至第三池化層的池化區(qū)域大小均設置為2×2； 步驟2.2，搭建一個由兩條支路并聯(lián)后經(jīng)求和層再與一個解碼器串聯(lián)組成的特征分離模塊，其中兩條支路的結構相同，參數(shù)不同，由此分別承擔檢測特征提取和不利特征提取，這兩條支路均由第一卷積層，第二卷積層，第三卷積層串聯(lián)組成；將第一至第三卷積層的卷積核大小均設置為3×3；將第一至第三卷積層的卷積核數(shù)量均設置為512；解碼器由第一反卷積層，第二反卷積層，第三反卷積層，第四反卷積層，第五反卷積層串聯(lián)組成；將第一至第五反卷積層的卷積核大小均設置為3×3；將第一至第五反卷積層的卷積核數(shù)量分別設置為512，256，128，64，3；特征分離模塊的輸出為檢測特征提取支路的輸出； 步驟2.3，搭建一個15層的深層語義特征提取模塊，其結構依次為：第一池化層，第一卷積層，第二卷積層，第三卷積層，第二池化層，第四卷積層，第五卷積層，第六卷積層，第七卷積層，第八卷積層，第九卷積層，第十卷積層，第十一卷積層，第十二卷積層，第十三卷積層；將第一至第四卷積層的卷積核大小均設置為3×3；將第五至第十三卷積層的卷積核大小分別設置為1×1，1×1，3×3，1×1，3×3，1×1，3×3，1×1，3×3；將第一至第三卷積層的卷積核數(shù)量均設置為512；將第四至第十三卷積層的卷積核數(shù)量分別設置為1024，1024，256，512，128，256，128，256，128，256；將第一至第二池化層的池化區(qū)域大小分別設置為2×2，3×3； 步驟2.4，將主干模塊、特征分離模塊的第一輸出端、深層語義特征提取模塊依次串聯(lián)后組成特征提取支路，將特征分離模塊的第二輸出端與第一個檢測頭串聯(lián)組成第一個目標檢測支路，將深層語義特征提取模塊中的第五、第七、第九、第十一、第十三卷積層的輸出分別與五個檢測頭串聯(lián)組成第二至第六檢測支路，每個檢測頭都包含并列的兩個卷積層，卷積核大小均為3×3；將六個目標檢測支路并聯(lián)后再與特征提取支路構成特征分離卷積神經(jīng)網(wǎng)絡； 步驟3，訓練特征分離卷積神經(jīng)網(wǎng)絡： 將訓練集輸入到特征分離卷積神經(jīng)網(wǎng)絡中，利用隨機梯度下降算法，迭代更新網(wǎng)絡的權重值，優(yōu)化網(wǎng)絡的總損失函數(shù)直至其收斂為止，得到訓練好的特征分離卷積神經(jīng)網(wǎng)絡； 步驟4，檢測待測試圖像中的目標位置： 步驟4.1，利用窗口大小為300×300的劃窗操作，將待測試的每張大幅SAR圖像裁剪為每張像素為300×300的多張子圖像； 步驟4.2，將每張待測試子圖像輸入到訓練好的特征分離卷積神經(jīng)網(wǎng)絡中，輸出該張待測試子圖像的目標框位置和目標框類別； 步驟5，得到目標檢測后的大幅SAR圖像： 依照劃窗的順序，將每張子圖像的目標框位置映射到待測試的每張大幅SAR圖像的對應位置上，根據(jù)映射后的目標框位置在大幅SAR圖像中將目標框出來，得到目標檢測后的大幅SAR圖像。

如需購買、轉(zhuǎn)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?qū)＠麢嗳?a target="_blank" rel="noopener noreferrer nofollow" href="https://iptop.www.hzsmkbearing.com.cn/list?keyword=%E8%A5%BF%E5%AE%89%E7%94%B5%E5%AD%90%E7%A7%91%E6%8A%80%E5%A4%A7%E5%AD%A6&temp=1">西安電子科技大學，其通訊地址為：710071 陜西省西安市太白南路2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)”。