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)獲悉南京理工大學申請的專利一種基于卷積神經(jīng)網(wǎng)絡的快速目標檢測方法獲國家發(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：CN116091892B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-08-08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：202310104561.5，技術(shù)領域涉及：G06V10/82；該發(fā)明授權(quán)一種基于卷積神經(jīng)網(wǎng)絡的快速目標檢測方法是由郭劍輝;李智強;陶叔銀;李倫波;濮存來設計研發(fā)完成，并于2023-02-13向國家知識產(chǎn)權(quán)局提交的專利申請。

本一種基于卷積神經(jīng)網(wǎng)絡的快速目標檢測方法在說明書摘要公布了：本申請公開了一種基于卷積神經(jīng)網(wǎng)絡的快速目標檢測方法，F(xiàn)astDet網(wǎng)絡主干網(wǎng)絡包含通道拆分、跨階段通道拼接、殘差連接和通道混洗操作；頸部網(wǎng)絡改進于YOLOv4Tiny，將原有的FPN改為交叉型FPN，進一步加強了特征融合，同時引入ECA注意力模塊，加強對重點通道的關注度；檢測頭借鑒YOLOX設計思想，將類別預測和置信度、回歸預測進行解耦，加快網(wǎng)絡訓練收斂速度，提升最終精度；正樣本匹配部分采用改進版SimOTA*策略，確保了訓練初期以及應對困難樣本時能夠匹配合適的正樣本，穩(wěn)定網(wǎng)絡訓練；損失函數(shù)部分采用SIOU損失，同時考慮重疊區(qū)域、中心點距離、邊框的寬高與角度，最終優(yōu)化邊框回歸精度。該方法作為一個通用的輕量級目標檢測器，經(jīng)過訓練后應用于諸多計算機視覺任務。

本發(fā)明授權(quán)一種基于卷積神經(jīng)網(wǎng)絡的快速目標檢測方法在權(quán)利要求書中公布了：1.一種基于卷積神經(jīng)網(wǎng)絡的快速目標檢測方法，其特征在于，包括以下步驟： 步驟1、對需要檢測的圖像進行預處理； 步驟2、將預處理后的圖像送入FastDet網(wǎng)絡，所述FastDet網(wǎng)絡是一種輕量級卷積神經(jīng)網(wǎng)絡，包括輕量級卷積模塊FastLayer、ECA注意力機制、交叉FPN結(jié)構(gòu)以及解耦的檢測頭；預處理后的圖像依次經(jīng)過主干網(wǎng)絡、頸部網(wǎng)絡和檢測頭，經(jīng)過網(wǎng)絡的特征提取，輸出兩張預測特征圖； 步驟3、對FastDet網(wǎng)絡進行訓練，通過FastDet網(wǎng)絡輸出的特征圖與圖像標簽計算得到損失，將損失通過反向傳播一步步更新網(wǎng)絡權(quán)值，從而使得網(wǎng)絡具有檢測特定目標的能力； 步驟4、基于訓練好的模型，對FastDet網(wǎng)絡輸出的兩個特征圖進行解碼得到所檢測出的目標類別和邊框信息，執(zhí)行非極大值抑制過濾重復預測框；將最終預測框還原回原圖尺度，繪制預測邊框，完成目標檢測； 步驟1具體為，將需要檢測的圖像縮放到預設大小，并將每個像素值除以255歸一化到0～1之間；由于網(wǎng)絡總共進行了5次寬高維的減半，需要確保縮放后的圖片邊長是32的倍數(shù)； 步驟2具體為，將預處理后的圖像送入FastDet網(wǎng)絡，依次經(jīng)過主干網(wǎng)絡、頸部網(wǎng)絡和檢測頭；其中主干網(wǎng)絡包含通道拆分、跨階段局部拼接、殘差連接和通道混洗操作；頸部網(wǎng)絡包括ECA注意力機制和交叉FPN結(jié)構(gòu)，能夠加強特征融合能力；檢測頭設計成解耦的形式以及anchor-free的框架流程，加速網(wǎng)絡訓練收斂速度； 所述主干網(wǎng)絡采用獨立設計的FastLayer卷積模塊進行特征提取，所述FastLayer卷積模塊是一種包含通道拆分、跨階段局部拼接、殘差連接以及通道混洗的卷積模塊；FastLayer模塊首先會經(jīng)過步幅為2的3×3卷積將特征圖的寬和高減半；隨后包含兩個分支，左側(cè)分支不進行任何處理，右側(cè)分支先保存臨時值，隨后經(jīng)過一系列步幅為1的3×3卷積后再與臨時值相加，用于簡化學習過程、預防梯度消失以及減少重復計算；隨后，兩個分支進行通道維的拼接，以此來進行通道升維操作，避免引入過多參數(shù)；最后進行分組數(shù)為4的通道混洗操作，在不引入額外參數(shù)的同時，使通道充分融合； 步驟3具體為，訓練時，兩個特征圖將通過改進的SimOTA*正樣本匹配策略來確定正負樣本，隨后計算邊框回歸損失、置信度損失和類別損失，其中邊框回歸損失采用SIOU方法，置信度損失和類別損失都采用二元交叉熵損失；最后通過反向傳播來更新網(wǎng)絡權(quán)值。

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(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)”。