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)恭喜東南大學(xué)申請的專利一種基于域自適應(yīng)機(jī)制的復(fù)雜背景下目標(biāo)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(shí)產(chǎn)權(quán)局授予，授權(quán)公告號(hào)為：CN115147639B 。

龍圖騰網(wǎng)通過國家知識(shí)產(chǎn)權(quán)局官網(wǎng)在2025-04-29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(hào)為：202210558590.4，技術(shù)領(lǐng)域涉及：G06V10/764；該發(fā)明授權(quán)一種基于域自適應(yīng)機(jī)制的復(fù)雜背景下目標(biāo)檢測方法是由李春國;羅順;劉周勇;李武斌;吳宇凡;楊綠溪設(shè)計(jì)研發(fā)完成，并于2022-05-20向國家知識(shí)產(chǎn)權(quán)局提交的專利申請。

本一種基于域自適應(yīng)機(jī)制的復(fù)雜背景下目標(biāo)檢測方法在說明書摘要公布了：本發(fā)明公開了一種基于域自適應(yīng)機(jī)制的復(fù)雜背景下的目標(biāo)檢測方法，包括：獲取公開的通用目標(biāo)檢測數(shù)據(jù)集和復(fù)雜背景目標(biāo)檢測數(shù)據(jù)集，構(gòu)建源域訓(xùn)練集、目標(biāo)域訓(xùn)練集和測試集；構(gòu)建基于域自適應(yīng)機(jī)制的人工神經(jīng)網(wǎng)絡(luò)模型ForegroundNet?DA模型；在源域訓(xùn)練集和目標(biāo)域訓(xùn)練集上對ForegroundNet?DA模型的部分參數(shù)進(jìn)行域自適應(yīng)階段的預(yù)訓(xùn)練；在目標(biāo)域訓(xùn)練集上對ForegroundNet?DA模型進(jìn)行精調(diào)階段的訓(xùn)練；在所構(gòu)建的測試集上評估收斂的ForegroundNet?DA模型的檢測性能。本發(fā)明與當(dāng)前所有的復(fù)雜背景目標(biāo)檢測算法相比，能在較小規(guī)模的數(shù)據(jù)集支撐下，實(shí)現(xiàn)更加精確的檢測性能。本發(fā)明在測試集上的檢測結(jié)果對應(yīng)的平均絕對誤差更低，增強(qiáng)對齊指標(biāo)、結(jié)構(gòu)指標(biāo)及加權(quán)的F指標(biāo)更高，是一種更加精確的復(fù)雜背景下的目標(biāo)檢測算法。

本發(fā)明授權(quán)一種基于域自適應(yīng)機(jī)制的復(fù)雜背景下目標(biāo)檢測方法在權(quán)利要求書中公布了：1.一種基于域自適應(yīng)機(jī)制的復(fù)雜背景下的目標(biāo)檢測方法，其特征在于，該方法包括如下步驟：步驟S1：根據(jù)公開的通用目標(biāo)檢測數(shù)據(jù)集和復(fù)雜背景下的目標(biāo)檢測數(shù)據(jù)集，構(gòu)建源域訓(xùn)練集、目標(biāo)域訓(xùn)練集和測試集；步驟S2：構(gòu)建基于域自適應(yīng)機(jī)制的ForegroundNet-DA網(wǎng)絡(luò)模型；步驟S3：在所構(gòu)建的源域訓(xùn)練集和目標(biāo)域訓(xùn)練集上對所構(gòu)建的ForegroundNet-DA網(wǎng)絡(luò)模型進(jìn)行域自適應(yīng)階段的監(jiān)督預(yù)訓(xùn)練；步驟S4：加載域自適應(yīng)訓(xùn)練階段得到的部分模型參數(shù)權(quán)重并對其進(jìn)行固化，在所構(gòu)建的目標(biāo)域訓(xùn)練集上對ForegroundNet-DA網(wǎng)絡(luò)模型進(jìn)行精調(diào)階段的訓(xùn)練，得到收斂到最優(yōu)性能的ForegroundNet-DA網(wǎng)絡(luò)模型；步驟S5：在所構(gòu)建的測試集上評估收斂的ForegroundNet-DA網(wǎng)絡(luò)模型的檢測性能；所述步驟S1中通用目標(biāo)檢測數(shù)據(jù)集包含數(shù)據(jù)集COCO2017，復(fù)雜背景目標(biāo)檢測數(shù)據(jù)集包含數(shù)據(jù)集COD10K、CAMO和CHAMELEON；所述步驟S2中所構(gòu)建的基于域自適應(yīng)機(jī)制的ForegroundNet-DA網(wǎng)絡(luò)模型包含：特征提取模塊，前景背景提議模塊、特征生成模塊、基于卷積注意力的特征融合解碼模塊和域分類模塊；所述步驟S3具體包括：步驟S301：從源域訓(xùn)練集和目標(biāo)域訓(xùn)練集中隨機(jī)抽取訓(xùn)練圖片進(jìn)行預(yù)處理，首先利用插值算法將輸入圖像和對應(yīng)的真實(shí)標(biāo)簽的大小調(diào)整為H×W，H表示圖像高度，W表示圖像寬度，隨后進(jìn)行圖像數(shù)據(jù)增強(qiáng)處理，最后將圖像進(jìn)行歸一化處理后輸入ForegroundNet-DA網(wǎng)絡(luò)模型進(jìn)行域自適應(yīng)階段的監(jiān)督預(yù)訓(xùn)練；步驟S302：ForegroundNet-DA網(wǎng)絡(luò)模型通過特征提取模塊提取出多尺度抽象特征，將圖片特征輸入前景背景提議模塊和域分類模塊，輸出N層前景背景提議結(jié)果和N層域分類結(jié)果，分別用和來表示，k＝1,2,...,N，其中，前景背景提議結(jié)果中分別包含前景目標(biāo)提議結(jié)果和背景目標(biāo)提議結(jié)果，即步驟S303：基于提議結(jié)果和域分類結(jié)果，計(jì)算模型在域自適應(yīng)階段的損失函數(shù)LDA，其計(jì)算方法如式1所示， 其中，表示第k層前景背景提議結(jié)果對應(yīng)的損失，表示第k層域分類結(jié)果對應(yīng)的損失；它們的計(jì)算表達(dá)式分別如式2和式3所示， 上式中，GTd表示輸入數(shù)據(jù)的域分類真實(shí)標(biāo)簽，和分別表示第k層前景目標(biāo)提議結(jié)果和背景目標(biāo)提議結(jié)果對應(yīng)的經(jīng)過結(jié)構(gòu)信息加權(quán)的交叉熵?fù)p失，和分別表示第k層前景目標(biāo)提議結(jié)果和背景目標(biāo)提議結(jié)果對應(yīng)的經(jīng)過結(jié)構(gòu)信息加權(quán)的交并比損失；步驟S304：基于域自適應(yīng)階段模型的損失函數(shù)LDA，采用隨機(jī)梯度下降優(yōu)化算法對ForegroundNet-DA模型的網(wǎng)絡(luò)參數(shù)進(jìn)行迭代更新。

如需購買、轉(zhuǎn)讓、實(shí)施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請人或?qū)＠麢?quán)人東南大學(xué)，其通訊地址為：211102 江蘇省南京市江寧區(qū)東南大學(xué)路2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)”。