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！

龍圖騰網恭喜西安理工大學申請的專利多尺度輕量級密集連目標檢測網絡的構建方法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：CN114882234B 。

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：202210465247.5，技術領域涉及：G06V10/40；該發明授權多尺度輕量級密集連目標檢測網絡的構建方法是由宋霄罡;劉冬冬;梁莉設計研發完成，并于2022-04-29向國家知識產權局提交的專利申請。

本多尺度輕量級密集連目標檢測網絡的構建方法在說明書摘要公布了：本發明公開了多尺度輕量級密集連目標檢測網絡的構建方法，數據預處理；構建多尺度輕量級目標檢測神經網絡；利用處理的結果對構建的神經網絡進行訓練和測試；本發明利用PASCALVOC2012數據集驗證了網絡的可靠性，最終網絡的mAP幾乎與YoloV4只下降了1.5％，相較于YoloV3提升了5％，采用本發明訓練出的網絡模型參數量壓縮到11.61M，縮減為YoloV4的16；總計算量TotalFlops減少到1.13G，縮小為原來的126；總內存占用減少到135.46M，縮減為YoloV4的15，實時速度提升了32倍，提升了目標檢測方法在計算資源有限的嵌入式設備和移動設備的部署增加了可能性。

本發明授權多尺度輕量級密集連目標檢測網絡的構建方法在權利要求書中公布了：1.多尺度輕量級密集連目標檢測網絡的構建方法，其特征在于，具體按以下步驟實施：步驟1，數據預處理；步驟2，構建多尺度輕量級目標檢測神經網絡；所述步驟2中多尺度輕量級目標檢測神經網絡具體按以下步驟實施：步驟2.1，構建多尺度輕量級特征提取模塊MSM；所述步驟2.1中構建多尺度輕量級特征提取模塊MSM具體按以下步驟實施：步驟2.1.1，將輸入的特征張量保存為三個相同的張量x，y，z，用作三個尺度的開端；步驟2.1.2，對x尺度不進行任何操作，使其保有原始特征信息，作為殘差邊進行特征補充表示為；步驟2.1.3，用3x3的深度卷積、BatchNorm2d、ReLU6操作與1x1的逐點卷積、BatchNorm2d、ReLU6操作構成一個完整的深度可分離卷積，在y尺度上用兩個深度可分離卷積模塊獲取細尺度的特征信息；步驟2.1.4，使用空洞率為5和3的深度可分離空洞卷積，構成空洞卷積組，在z尺度上運用空洞卷積組獲取粗尺度的特征信息；步驟2.1.5，將進行縱向堆疊，然后利用通道注意力機制對堆疊信息進行篩選；步驟2.2，構建輕量級密集連接模塊FD-CDM；所述步驟2.2中構建特征重用的輕量級密集連接模塊FD-CDM具體按以下步驟實施：步驟2.2.1，構建由3x3組卷積組成的GC模塊，該模塊會將輸入層的不同特征圖進行分組，然后采用不同的卷積核生成中間特征；步驟2.2.2，構建由1x1卷積組成的LGC模塊，該模塊利用1x1的卷積進行通道信息的學習，篩選出重要度更高的通道信息；步驟2.2.3，構建特征重激活SFR模塊，該模塊的作用是對輸入特征的不同通道添加索引層，通過索引層選擇需要留下的特征層；步驟2.2.4，先使用LGC模塊個GC模塊對輸入特征進行特征提取和精煉，然后將特征保存為s和t兩個張量，t特征張量進入SFR模塊進行篩選，s張量繼續進行傳遞，并將兩個分支的結果進行拼接，實現對密集連接的篩選；步驟2.3，構建快速降采樣主干網絡；所述步驟2.3中構建快速降采樣的輕量級主干網絡具體按以下步驟實施：步驟2.3.1，使用2個MSM模塊進行淺層粗尺度特征信息提取；步驟2.3.2，使用3個FD-CDM模塊進行深層特征信息提取，獲取足夠精煉的數據服務于高水平的目標檢測任務；步驟2.3.3，使用2.3.1和2.3.2所提的模塊組成主干網絡，并使用快速降采樣思想加強網絡特征提取；步驟2.4，構建輕量級特征融合模塊；所述步驟2.4中構建輕量級特征融合模塊具體按以下步驟實施：步驟2.4.1，對于PANet進行輕量化處理，用深度可分離卷積代替了90%的普通卷積，使得特征融合部分的參數量減少為原來的19；步驟2.4.2，加強對PANet的輸入，組合六個尺度的特征，使特征融合部分獲得了更充分的特征信息；步驟2.5，構建分類預測模塊；所述步驟2.5中構建分類預測模塊對目標進行分類具體按以下步驟實施：步驟2.5.1，利用3x3卷積和1x1卷積構建網絡的預測頭；步驟2.5.2，對于特征融合部分的多尺度輸出，分別設計對應的預測頭；步驟3，利用經步驟1處理的結果對步驟2構建的神經網絡進行訓練和測試；具體按以下步驟實施：步驟3.1，獲取數據集訓練集的標簽；步驟3.2，獲取訓練驗證集的標簽；步驟3.3，將網絡訓練分為凍結訓練和解凍訓練兩個階段，凍結訓練是指凍結網絡的主干部分，只訓練特征融合和預測部分，解凍訓練時則進行整個網絡模型的訓練，在凍結訓練部分初始學習率設定為1e-3，解凍訓練時則將初始學習率調整為1e-4，等待loss趨于平穩時停止訓練，獲得網絡模型；步驟3.4，將測試集圖像每一幀傳入網絡模型，對像圖像進行識別和檢測，并進行平均精度均值mAP的計算。

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西安理工大學，其通訊地址為：710048 陜西省西安市碑林區金花南路5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”。