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！

龍圖騰網恭喜重慶大學申請的專利一種基于層內-層間融合的小目標檢測方法及相關產品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：CN118097212B 。

龍圖騰網通過國家知識產權局官網在2025-03-21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：202311559706.7，技術領域涉及：G06V10/764；該發明授權一種基于層內-層間融合的小目標檢測方法及相關產品是由周明亮;宋婧楠;羅均;蒲華燕;馮永;向濤;房斌;尚趙偉;魏雪凱;閆潔露;咸偉志設計研發完成，并于2023-11-22向國家知識產權局提交的專利申請。

本一種基于層內-層間融合的小目標檢測方法及相關產品在說明書摘要公布了：本發明公開了一種基于層內?層間融合的小目標檢測方法及相關產品，屬于圖像處理技術領域。其方法包括，多種小目標的自然圖像，對所述自然圖像中的小目標進行類別和位置標記，構建小目標數據集；構建目標檢測網絡模型對小目標數據進行特征提取，獲取多組多尺度特征圖；采用基于層內?層間融合的特征融合方法，對提取出的多尺度特征圖進行融合，得到層內?層間融合特征圖；利用增強后的層內?層間融合特征圖進行預測并對預存結構進行評估得到訓練好的目標檢測網絡模型并對待檢測圖像進行目標預測。本發明不僅能解決傳統層間融合方法無法學習小目標精細的局部表示的問題，還能改善基于IoU的度量方法所出現的檢測小目標位置不穩定的情況。

本發明授權一種基于層內-層間融合的小目標檢測方法及相關產品在權利要求書中公布了：1.一種基于層內-層間融合的小目標檢測方法，其特征在于，包括如下步驟：目標檢測網絡模型訓練步驟，包括：步驟1：獲取包括多種小目標的自然圖像，對所述自然圖像中的小目標進行類別和位置標記，構建小目標數據集；步驟2：構建目標檢測網絡模型，所述目標檢測網絡模型包括依次連接的主干特征提取網絡、層內-層間融合模塊和預測模塊；步驟3：將小目標數據集輸入主干特征提取網絡中進行特征提取，獲取多組多尺度特征圖；步驟4：將獲取的每一組多尺度特征圖輸入層內-層間融合模塊，進行層內特征融合，得到對應的層內融合特征圖；步驟4中，進行層內特征融合，具體包括以下步驟：步驟41：將獲取的每一組多尺度特征圖Ti，i＝1,2,3,4按照通道數均分成四個分支fi1、fi2、fi3、fi4；步驟42：第一個分支fi1執行1×1卷積降維和3×3卷積處理，得到第一個分支fi1的輸出步驟43：第二個分支fi2經過1×1卷積降維后與第一個分支fi1的輸出進行拼接，然后進行3×3卷積處理，得到中間融合特征再次執行3×3卷積，得到第二個分支fi2的輸出步驟44：第三個分支fi3經過1×1卷積降維后與第二個分支fi2中的中間融合特征進行拼接，然后進行3×3卷積處理，得到中間融合特征中間融合特征與第二個分支fi2的輸出進行拼接，再次執行3×3卷積，得到中間融合特征再次執行3×3卷積，得到第三個分支fi3的輸出步驟45：第四個分支fi4經過1×1卷積降維后與第三個分支fi3的中間融合特征進行拼接，然后進行3×3卷積處理，得到中間融合特征中間融合特征與第三個分支fi3中的中間融合特征進行拼接，然后進行3×3卷積處理，得到中間融合特征中間融合特征與第三個分支fi3的輸出進行拼接，再次執行3×3卷積，得到中間融合特征再次執行3×3卷積，得到第四個分支fi4的輸出步驟46：將四個分支的輸出特征拼接，執行1×1卷積，得到多尺度特征圖Ti對應的層內融合特征圖Zi，i＝1,2,3,4；步驟5：將所述層內融合特征圖按照層級高低自頂向下進行層間特征融合，生成層內-層間融合特征圖；步驟6：將生成的所述層內-層間融合特征圖輸入預測模塊，獲得自然圖像對應的目標中心點預測熱圖、目標尺寸預測圖和目標中心點偏移量預測圖，并得到預測結果；步驟7：通過損失函數對得到的預測結果進行評估，并對所述主干特征提取網絡和層內-層間特征融合模塊進行訓練，得到訓練好的目標檢測模型；小目標檢測步驟，包括：將待檢測圖像的尺寸大小統一為預設尺寸，輸入訓練好的目標檢測模型，獲得待檢測圖像圖像中小目標的位置及類別信息。

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重慶大學，其通訊地址為：400030 重慶市沙坪壩區正街174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”。