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)獲悉中國(guó)刑事警察學(xué)院申請(qǐng)的專(zhuān)利一種面向復(fù)雜場(chǎng)景下自適應(yīng)偽裝目標(biāo)的識(shí)別方法、系統(tǒng)、設(shè)備及介質(zhì)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：CN120451684B 。

龍圖騰網(wǎng)通過(guò)國(guó)家知識(shí)產(chǎn)權(quán)局官網(wǎng)在2025-09-09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：202510939865.2，技術(shù)領(lǐng)域涉及：G06V10/764；該發(fā)明授權(quán)一種面向復(fù)雜場(chǎng)景下自適應(yīng)偽裝目標(biāo)的識(shí)別方法、系統(tǒng)、設(shè)備及介質(zhì)是由王寶玉;曹萍萍;申愛(ài)紅;郭曉春;趙洋洋;董旭設(shè)計(jì)研發(fā)完成，并于2025-07-09向國(guó)家知識(shí)產(chǎn)權(quán)局提交的專(zhuān)利申請(qǐng)。

本一種面向復(fù)雜場(chǎng)景下自適應(yīng)偽裝目標(biāo)的識(shí)別方法、系統(tǒng)、設(shè)備及介質(zhì)在說(shuō)明書(shū)摘要公布了：本發(fā)明公開(kāi)一種面向復(fù)雜場(chǎng)景下自適應(yīng)偽裝目標(biāo)的識(shí)別方法、系統(tǒng)、設(shè)備及介質(zhì)，涉及人工智能的計(jì)算機(jī)視覺(jué)技術(shù)領(lǐng)域。所述方法包括：將獲取的待測(cè)圖像輸入目標(biāo)識(shí)別模型中進(jìn)行處理，得到目標(biāo)識(shí)別結(jié)果；所述目標(biāo)識(shí)別模型是基于交互引導(dǎo)網(wǎng)絡(luò)和顯著性感知協(xié)同優(yōu)化損失函數(shù)構(gòu)建的；所述交互引導(dǎo)網(wǎng)絡(luò)包括依次連接的自適應(yīng)多尺度特征增強(qiáng)器、概率上下文聚合模塊和跨尺度注意力融合模塊；所述顯著性感知協(xié)同優(yōu)化損失函數(shù)由加權(quán)形式的五個(gè)部分組成，各組成部分分別為二進(jìn)制交叉熵?fù)p失、聯(lián)合交并損失、均方誤差損失、結(jié)構(gòu)相似性指數(shù)度量以及平均絕對(duì)誤差損失。本發(fā)明能夠提高公共安全監(jiān)控的智能化水平，增強(qiáng)對(duì)潛在威脅目標(biāo)的早期預(yù)警能力。

本發(fā)明授權(quán)一種面向復(fù)雜場(chǎng)景下自適應(yīng)偽裝目標(biāo)的識(shí)別方法、系統(tǒng)、設(shè)備及介質(zhì)在權(quán)利要求書(shū)中公布了：1.一種面向復(fù)雜場(chǎng)景下自適應(yīng)偽裝目標(biāo)的識(shí)別方法，其特征在于，包括： 獲取待測(cè)圖像；所述待測(cè)圖像為具有復(fù)雜場(chǎng)景的拍攝圖像； 將所述待測(cè)圖像輸入目標(biāo)識(shí)別模型中進(jìn)行處理，得到目標(biāo)識(shí)別結(jié)果；所述目標(biāo)識(shí)別模型是基于交互引導(dǎo)網(wǎng)絡(luò)和顯著性感知協(xié)同優(yōu)化損失函數(shù)構(gòu)建的；所述交互引導(dǎo)網(wǎng)絡(luò)包括依次連接的自適應(yīng)多尺度特征增強(qiáng)器、概率上下文聚合模塊和跨尺度注意力融合模塊；所述顯著性感知協(xié)同優(yōu)化損失函數(shù)由加權(quán)形式的五個(gè)部分組成，各組成部分分別為二進(jìn)制交叉熵?fù)p失、聯(lián)合交并損失、均方誤差損失、結(jié)構(gòu)相似性指數(shù)度量以及平均絕對(duì)誤差損失； 將所述待測(cè)圖像輸入目標(biāo)識(shí)別模型中進(jìn)行處理，得到目標(biāo)識(shí)別結(jié)果，具體過(guò)程包括： 利用ResNet-50特征編碼器對(duì)所述待測(cè)圖像進(jìn)行多尺度空間特征提取，得到由低級(jí)特征到高級(jí)特征的多尺度特征、、、和；其中，特征和為低級(jí)特征，特征、和為高級(jí)特征； 將所述多尺度特征、、、和輸入所述自適應(yīng)多尺度特征增強(qiáng)器進(jìn)行視覺(jué)信息增強(qiáng)，生成視覺(jué)增強(qiáng)特征、、、和； 對(duì)所述多尺度特征、、、和以及所述視覺(jué)增強(qiáng)特征、、、和進(jìn)行特征級(jí)聯(lián)與通道壓縮變換，生成概率圖特征、局部圖特征和聚合特征，并將生成的特征輸入所述概率上下文聚合模塊計(jì)算概率上下文聚合特征； 將所述概率上下文聚合特征輸入所述跨尺度注意力融合模塊進(jìn)行預(yù)測(cè)，得到最終的目標(biāo)識(shí)別結(jié)果； 所述自適應(yīng)多尺度特征增強(qiáng)器的運(yùn)算過(guò)程具體包括： 步驟1：對(duì)輸入特征分別執(zhí)行卷積計(jì)算和交叉核運(yùn)算，以獲取具有不同感受野的多分支輸出特征、、和： ， 其中， 表示由ResNet-50所提取到的多尺度空間特征，表示卷積核大小為的卷積運(yùn)算，代表交叉核運(yùn)算； 步驟2：沿通道維度的特征級(jí)聯(lián)和非線(xiàn)性校正單元被應(yīng)用于多分支輸出特征、、和，從而生成通道加權(quán)特征： ， 其中，表示在通道維度上的特征級(jí)聯(lián)操作，表示由Conv、BN和ReLU組成的非線(xiàn)性校正單元運(yùn)算； 步驟3：將通道擠壓和激勵(lì)模塊與通道乘法運(yùn)算相結(jié)合，并應(yīng)用于通道加權(quán)特征，從而獲取通道融合特征： ， 其中，表示通道擠壓和激勵(lì)模塊，表示通道乘法運(yùn)算； 步驟4：殘差連接運(yùn)算、逐元素加法運(yùn)算和非線(xiàn)性校正單元被應(yīng)用于輸入特征和通道融合特征，以生成視覺(jué)增強(qiáng)特征： ， 其中，表示殘差學(xué)習(xí)，+表示逐元素加法運(yùn)算，表示非線(xiàn)性校正單元運(yùn)算； 所述顯著性感知協(xié)同優(yōu)化損失函數(shù)的公式表示為： ， 其中，為顯著性感知協(xié)同優(yōu)化損失函數(shù)；、和為權(quán)重系數(shù)，設(shè)置為，和；為第階段的二進(jìn)制交叉熵?fù)p失與聯(lián)合交并損失之和；為第階段的均方誤差損失與結(jié)構(gòu)相似性指數(shù)度量之和；為第階段的平均絕對(duì)誤差損失。

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)人中國(guó)刑事警察學(xué)院，其通訊地址為：110854 遼寧省沈陽(yáng)市皇姑區(qū)塔灣街83號(hào)；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)”。