買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉濟南大學申請的專利一種基于自解碼的特征增強網絡優化方法及系統獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN115018071B 。

龍圖騰網通過國家知識產權局官網在2025-08-08發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202210624662.0，技術領域涉及：G06V20/10；該發明授權一種基于自解碼的特征增強網絡優化方法及系統是由徐濤;路丘;董吉文設計研發完成，并于2022-06-02向國家知識產權局提交的專利申請。

本一種基于自解碼的特征增強網絡優化方法及系統在說明書摘要公布了：本發明公開了一種基于自解碼的特征增強網絡優化方法及系統，包括以下步驟：S1、構建自解碼器模塊；S2、將自解碼器模塊引入到一般的基于卷積神經網絡的物體檢測模型中，將構建好的自解碼器模塊引入到物體檢測模型的骨干網絡；S3、劃分物體檢測數據集；S4、對數據集中的圖像進行預測處理；S5、使用訓練數據用物體檢測模型和解碼器進行協同訓練；S6、將自解碼器移除；S7、將驗證數據送入到檢測模型進行檢測；S8、得到檢測結果，將S7得到檢測結果映射到原圖的相應位置并標注預測的類別信息。本發明具有將強的嵌入型，且不增加預測時長，而且和更深的骨干網絡的預測結果相比也不遜色。

本發明授權一種基于自解碼的特征增強網絡優化方法及系統在權利要求書中公布了：1.一種基于自解碼的特征增強網絡優化方法，其特征在于，包括以下步驟： S1、構建自解碼器模塊：構建一個由四個上采樣模塊和一個上采樣操作組成的解碼器；上采樣模塊的結構依次為：上采樣→第一殘差塊→第二殘差塊→融合層；其中每個殘差塊的結構為：輸入層→1×1卷積→3×3卷積→1×1卷積； 融合層是對輸入到每個上采樣模塊的特征圖做個1×1卷積和上采樣后生成的特征圖和最后一個殘差塊生成的特征圖融合，其中殘差塊不會改變特征圖的大小，每個1×1卷積的卷積核個數為輸入通道的14，在每個卷積后面跟bn層和激活函數，最后一個上采樣操作后跟一個sigmoid函數； S2、將自解碼器模塊引入到基于卷積神經網絡的物體檢測模型中，將構建好的自解碼器模塊引入到物體檢測模型的骨干網絡； S3、劃分物體檢測數據集； S4、對數據集中的圖像進行預測處理； S5、使用訓練數據用物體檢測模型和解碼器進行協同訓練； 協同訓練包括以下步驟： S51、將預處理的數據輸入到骨干網絡中進行特征提取，生成特征圖C5，所述骨干網絡為resnet50或resnet101； S52、將特征圖C5送入到物體檢測的檢測頭進行類別和邊界框的預測，然后和真實標簽計算交叉熵損失和邊界框損失，所述檢測頭為YOLO檢測頭或FastR-CNN檢測頭； S53、將第一步生成的特征圖C5送入到自解碼器器模塊進行四個上采樣模塊、一個上采樣操作和sigmoid函數，然后輸出和圖像預處理后一樣大小的特征圖，然后計算預處理后的圖像和特征圖之間的均方差損失函數； S54、將S52和S53的損失函數同時回傳更新整個網絡結構； S6、將自解碼器移除，檢測時，不使用自解碼器，移除自解碼器，只使用原檢測模型進行結果的預測； S7、將驗證數據送入到檢測模型進行檢測； S71、將預處理的數據輸入到骨干網絡中進行特征提取，生成特征圖C5； S72、將特征圖C5送入到物體檢測的檢測頭進行類別和邊界框的預測，然后經過非最大值抑制NMS處理生成檢測結果； S8、得到檢測結果，將S7得到檢測結果映射到原圖的相應位置并標注預測的類別信息； S1、S2和S5中所描述的構建自解碼模塊以及自解碼模塊的嵌入訓練，針對檢測模型的骨干網絡設計對應的自解碼器，并使用構建的自解碼器用于和物體檢測模型進行協同訓練，以增強骨干網絡中的特征提取能力。

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濟南大學，其通訊地址為：250000 山東省濟南市南辛莊西路336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”。