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(fèi)！專利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉上海交通大學(xué)申請(qǐng)的專利復(fù)雜環(huán)境下的艦船圖像目標(biāo)檢測(cè)方法與系統(tǒng)獲國(guó)家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國(guó)家知識(shí)產(chǎn)權(quán)局授予，授權(quán)公告號(hào)為：CN115880495B 。

龍圖騰網(wǎng)通過(guò)國(guó)家知識(shí)產(chǎn)權(quán)局官網(wǎng)在2025-09-12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(qǐng)?zhí)?專利號(hào)為：202211658135.8，技術(shù)領(lǐng)域涉及：G06V10/30；該發(fā)明授權(quán)復(fù)雜環(huán)境下的艦船圖像目標(biāo)檢測(cè)方法與系統(tǒng)是由劉少冬;饒若楠;薛廣濤;蔣豐亦設(shè)計(jì)研發(fā)完成，并于2022-12-22向國(guó)家知識(shí)產(chǎn)權(quán)局提交的專利申請(qǐng)。

本復(fù)雜環(huán)境下的艦船圖像目標(biāo)檢測(cè)方法與系統(tǒng)在說(shuō)明書摘要公布了：一種復(fù)雜環(huán)境下的艦船圖像目標(biāo)檢測(cè)方法與系統(tǒng)，在離線階段通過(guò)采集對(duì)原始的艦船圖像進(jìn)行預(yù)處理；基于FDDEA算法和AASST策略構(gòu)建艦船目標(biāo)檢測(cè)深度神經(jīng)網(wǎng)絡(luò)，將預(yù)處理后的圖像作為訓(xùn)練樣本對(duì)艦船目標(biāo)檢測(cè)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；在在線階段將測(cè)試圖像或?qū)嶋H艦船圖像輸入訓(xùn)練后的艦船目標(biāo)檢測(cè)深度神經(jīng)網(wǎng)絡(luò)中，得到艦船目標(biāo)的預(yù)測(cè)框和分類。本發(fā)明通過(guò)基于艦船圖像特征去噪膨脹編碼算法和自適應(yīng)艦船目標(biāo)正負(fù)樣本分配策略，顯著提升復(fù)雜環(huán)境下艦船目標(biāo)檢測(cè)的精度。

本發(fā)明授權(quán)復(fù)雜環(huán)境下的艦船圖像目標(biāo)檢測(cè)方法與系統(tǒng)在權(quán)利要求書中公布了：1.一種復(fù)雜環(huán)境下的艦船圖像目標(biāo)檢測(cè)方法，其特征在于，在離線階段通過(guò)采集對(duì)原始的艦船圖像進(jìn)行預(yù)處理；基于FDDEA算法和AASST策略構(gòu)建艦船目標(biāo)檢測(cè)深度神經(jīng)網(wǎng)絡(luò)，將預(yù)處理后的圖像作為訓(xùn)練樣本對(duì)艦船目標(biāo)檢測(cè)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；在在線階段將測(cè)試圖像或?qū)嶋H艦船圖像輸入訓(xùn)練后的艦船目標(biāo)檢測(cè)深度神經(jīng)網(wǎng)絡(luò)中，得到艦船目標(biāo)的預(yù)測(cè)框和分類； 所述的艦船目標(biāo)檢測(cè)深度神經(jīng)網(wǎng)絡(luò)包括：基于Resnet框架的主干網(wǎng)絡(luò)、特征金字塔模塊、基于FDDEA的特征增強(qiáng)去噪模塊和基于AASST策略的檢測(cè)頭，其中：主干網(wǎng)絡(luò)從預(yù)處理后的圖像中提取出特征圖；FPN根據(jù)不同層次的特征圖進(jìn)行自上而下的二次融合，得到融合特征圖；特征增強(qiáng)去噪模塊對(duì)融合特征圖進(jìn)行特征加強(qiáng)提取和特征去噪；檢測(cè)頭分別在每層特征圖上進(jìn)行檢測(cè)并得到最終的預(yù)測(cè)框； 所述的基于FDDEA算法和AASST策略構(gòu)建艦船目標(biāo)檢測(cè)深度神經(jīng)網(wǎng)絡(luò)后，將預(yù)處理后的圖像作為訓(xùn)練樣本對(duì)艦船目標(biāo)檢測(cè)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，具體包括： 步驟2.1：將預(yù)處理后的圖像輸入到主干網(wǎng)絡(luò)ResNet中，通過(guò)殘差卷積提取不同層次的特征； 步驟2.2：通過(guò)Bottomup，獲得backbone不同階段輸出的不同尺寸的特征圖，然后通過(guò)Topdown的方式，從最頂層的特征圖出發(fā)，通過(guò)上采樣，與下一級(jí)特征圖相加； 步驟2.3：使用基于FDDEA算法的特征增強(qiáng)去噪模塊對(duì)特征圖進(jìn)行增強(qiáng)去噪，具體步驟包括： 步驟2.3.1：首先根據(jù)FPN輸出的特征圖{P2,P3,P4,P5}，對(duì)P2上采樣得到P1，對(duì)P5上采樣得到P6，將最終得到的{P1,P2,P3,P4,P5,P6}作為輸入特征膨脹編碼器的輸入； 步驟2.3.2：特征膨脹編碼器基于殘差網(wǎng)絡(luò)和空洞卷積，針對(duì)輸入的每一層特征圖，首先進(jìn)行一次1x1的卷積加Relu激活函數(shù)，然后接上一個(gè)3x3的空洞卷積加Relu激活函數(shù)，之后再接一個(gè)1x1的卷積加Relu激活函數(shù)，最后將卷積模塊的輸出和最初的輸入相加得到殘差膨脹模塊的輸出，具體為：，其中：為殘差膨脹模塊的輸入，為進(jìn)行一次卷積核為1×1的常規(guī)卷積和一次RELU激活函數(shù)，r為空洞卷積的擴(kuò)張率，為對(duì)輸入x進(jìn)行一次卷積核為3×3、擴(kuò)張率為r的空洞卷積和一次RELU激活函數(shù)，O為殘差膨脹模塊的輸出； 步驟2.3.3：去噪模塊根據(jù)殘差膨脹模塊的輸出，經(jīng)過(guò)閾值注意力機(jī)制得到自適應(yīng)閾值t，然后基于閾值t使用軟閾值函數(shù)進(jìn)行特征去噪，具體為：，其中：??為輸入特征，??為輸出特征，t為閾值；軟閾值函數(shù)會(huì)將一定閾值內(nèi)的值置為0，并且使閾值之外的值朝0發(fā)展； 步驟2.3.4：重復(fù)4次步驟2.2.2和2.2.3，并且使用逐漸增加的擴(kuò)張率，得到去噪后的膨脹編碼特征圖； 步驟2.4：使用基于AASST策略的檢測(cè)頭進(jìn)行正負(fù)樣本定義和損失回歸，具體包括： 步驟2.4.1：使用去噪后的膨脹編碼特征圖作為檢測(cè)頭的輸入，進(jìn)行正負(fù)樣本定義，具體包括： 步驟2.4.1.1：根據(jù)Anchor與真實(shí)框的中心距離選擇候選框，具體為：，其中為第i個(gè)gt框的寬度，為第i個(gè)gt框的長(zhǎng)度，，為正樣本中心點(diǎn)的坐標(biāo)，，為候選框中心坐標(biāo)，為中心距離；Anchor的中心點(diǎn)距離真實(shí)框中心點(diǎn)的中心距離越近，能提供的檢測(cè)質(zhì)量越高，這是因?yàn)樵浇咏鎸?shí)框的中心點(diǎn)，候選框所能表述的特征越接近目標(biāo)，因此首先根據(jù)Anchor與真實(shí)框的中心距離選擇TopK個(gè)候選框； 步驟2.4.1.2：使用候選框與真實(shí)框IoU的均值和標(biāo)準(zhǔn)差的和作為定義正負(fù)樣本IoU的初始閾值，具體為：，其中：，其中：為候選框與真實(shí)框IoU的均值，為候選框與真實(shí)框IoU的均值，為第i個(gè)候選框與第j個(gè)真實(shí)框的IoU值； 步驟2.4.1.3：計(jì)算形狀自適應(yīng)衰減因子；首先統(tǒng)計(jì)目標(biāo)長(zhǎng)寬比信息；對(duì)于候選框所對(duì)應(yīng)的真實(shí)框，計(jì)算出所有真實(shí)框的長(zhǎng)寬比均值A(chǔ)r，基于均值A(chǔ)r，自適應(yīng)衰減因子，其中：Ar為真實(shí)框的長(zhǎng)寬比均值，為衰減權(quán)重，為長(zhǎng)寬比極值； 步驟2.4.1.4：將計(jì)算得到的形狀自適應(yīng)衰減因子代入步驟2.4.1.2，得到最終的正負(fù)樣本選擇IoU閾值； 步驟2.4.1.5：根據(jù)計(jì)算得到的IoU閾值，將IoU大于該閾值的候選框定義為正樣本，其他候選框定義為負(fù)樣本； 步驟2.4.2：對(duì)已定義正樣本根據(jù)樣本中心點(diǎn)與真實(shí)框中心點(diǎn)之間的距離賦予動(dòng)態(tài)樣本權(quán)重，其中：為第i個(gè)gt框的寬度，為第i個(gè)gt框的長(zhǎng)度，，為正樣本中心點(diǎn)的坐標(biāo)，，為候選框中心坐標(biāo)，為樣本權(quán)重； 步驟2.4.3：計(jì)算損失函數(shù)，由分類損失和回歸損失構(gòu)成；通過(guò)損失函數(shù)對(duì)網(wǎng)絡(luò)進(jìn)行隨機(jī)梯度下降，逐漸優(yōu)化網(wǎng)絡(luò)，提升檢測(cè)效果。

如需購(gòu)買、轉(zhuǎn)讓、實(shí)施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請(qǐng)人或?qū)＠麢?quán)人上海交通大學(xué)，其通訊地址為：200240 上海市閔行區(qū)東川路800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0551-65771310或微信搜索“龍圖騰網(wǎng)”。