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)恭喜深圳瑞泊龍科技有限公司申請的專利一種基于部分卷積嵌入和聚集分發(fā)機(jī)制的目標(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)由國家知識產(chǎn)權(quán)局授予，授權(quán)公告號為：CN117671414B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-05-13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：202311537095.6，技術(shù)領(lǐng)域涉及：G06V10/774；該發(fā)明授權(quán)一種基于部分卷積嵌入和聚集分發(fā)機(jī)制的目標(biāo)檢測方法是由袁正午;張凡;陳強(qiáng);唐培賢;李金鑫設(shè)計(jì)研發(fā)完成，并于2023-11-17向國家知識產(chǎn)權(quán)局提交的專利申請。

本一種基于部分卷積嵌入和聚集分發(fā)機(jī)制的目標(biāo)檢測方法在說明書摘要公布了：本發(fā)明涉及一種基于部分卷積嵌入和聚集分發(fā)機(jī)制的目標(biāo)檢測方法，屬于計(jì)算機(jī)視覺技術(shù)領(lǐng)域。該方法包括：獲取目標(biāo)檢測公共數(shù)據(jù)集，將其標(biāo)注文件轉(zhuǎn)換為YOLO格式文件，并劃分為訓(xùn)練集、驗(yàn)證集和測試集；使用目標(biāo)檢測網(wǎng)絡(luò)YOLOv8作為檢測模型的主框架，搭建基于部分卷積嵌入和聚集分發(fā)機(jī)制的目標(biāo)檢測網(wǎng)絡(luò)模型，包括空間特征提取模塊和多尺度信息融合模塊，通過將部分卷積嵌入到骨干網(wǎng)絡(luò)來提取空間特征信息以及使用聚集分發(fā)機(jī)制增加模型的多尺度信息融合能力；基于訓(xùn)練集訓(xùn)練上述所改進(jìn)的模型，得到最優(yōu)的目標(biāo)檢測模型；本發(fā)明的目標(biāo)檢測模型在檢測效率提高的同時(shí)對小目標(biāo)檢測能力更強(qiáng)，且擁有更高的總體精確度。

本發(fā)明授權(quán)一種基于部分卷積嵌入和聚集分發(fā)機(jī)制的目標(biāo)檢測方法在權(quán)利要求書中公布了：1.一種基于部分卷積嵌入和聚集分發(fā)機(jī)制的目標(biāo)檢測方法，其特征在于：該方法包括以下步驟：S1：獲取公共目標(biāo)檢測數(shù)據(jù)集，將所述公共目標(biāo)檢測數(shù)據(jù)集中的標(biāo)注文件轉(zhuǎn)換為YOLO格式，并將標(biāo)注文件轉(zhuǎn)換為YOLO格式的公共目標(biāo)數(shù)據(jù)集按比例分割為訓(xùn)練集、驗(yàn)證集和測試集；S2：將訓(xùn)練集中的圖像進(jìn)行歸一化處理，并將歸一化處理的圖像和其相應(yīng)的目標(biāo)標(biāo)簽合成批次；S3：使用YOLOv8作為目標(biāo)檢測網(wǎng)絡(luò)的基礎(chǔ)框架，搭建基于部分卷積嵌入和聚集分發(fā)機(jī)制的目標(biāo)檢測網(wǎng)絡(luò)模型，所述目標(biāo)檢測網(wǎng)絡(luò)模型包括空間特征提取模塊和多尺度信息融合模塊，所述空間特征提取模塊將部分卷積嵌入到骨干網(wǎng)絡(luò)來增加空間特征信息的提取能力，所述多尺度信息融合模塊使用聚集分發(fā)機(jī)制增加模型的多尺度信息融合能力；S4：將所述S2中合成的批次輸入所述S3中搭建的基于部分卷積嵌入和聚集分發(fā)機(jī)制的目標(biāo)檢測網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練，獲得訓(xùn)練后的模型權(quán)重；S5：利用S4所訓(xùn)練得到的訓(xùn)練模型權(quán)重在測試集中對其進(jìn)行測試，得到檢測結(jié)果；所述S3中，所述空間特征提取模塊將部分卷積嵌入到骨干網(wǎng)絡(luò)來增加空間特征信息的提取能力，具體包括：搭建空間特征提取模塊，將YOLOv8的骨干部分backbone對應(yīng)的C2f模塊替換為部分卷積的Fasternet模塊，所述Fasternet包括基礎(chǔ)網(wǎng)絡(luò)子模塊、快速特征融合子模塊和高效上采樣子模塊，通過嵌入部分卷積來連接每個(gè)子模塊；所述基礎(chǔ)網(wǎng)絡(luò)子模塊，包括卷積層、批歸一化層和激活函數(shù)層，用于對圖像進(jìn)行特征提取和非線性激活；所述快速特征融合子模塊負(fù)責(zé)將來自不同層級的特征進(jìn)行融合；所述高效上采樣子模塊用于實(shí)現(xiàn)特征圖的上采樣；部分卷積利用特征映射的冗余，在部分輸入通道上應(yīng)用常規(guī)卷積，部分卷積的總浮點(diǎn)運(yùn)算數(shù)量FLOPs計(jì)算公式為： 式中，h是特征圖的高，w是特征圖的寬，k是卷積核的大小，cp是常規(guī)卷積作用的通道數(shù)；部分卷積的FLOPs僅為常規(guī)卷積的部分卷積的內(nèi)存訪問情況用公式表示為： 式中，h是特征圖的高，w是特征圖的寬，k是卷積核的大小，cp是常規(guī)卷積作用的通道數(shù)，部分卷積的內(nèi)存訪問數(shù)量為常規(guī)卷積的其余的c-cp個(gè)通道不參與計(jì)算，部分卷積無需進(jìn)行內(nèi)存的訪問；每個(gè)Fasternet模塊有一個(gè)部分卷積層，其后面跟著兩個(gè)1*1維卷積，三者構(gòu)成一個(gè)倒殘差的架構(gòu)，使得中間層的通道數(shù)量更多，放置了一個(gè)shortcut連接來重用輸入特征，同時(shí)，將歸一化層和激活層放在中間層之后；所述S3中，多尺度信息融合模塊使用聚集分發(fā)機(jī)制增加模型的多尺度信息融合能力，具體包括：搭建多尺度信息融合模塊，在YOLOv8模型的檢測頭處引入goldyolo檢測頭，所述goldyolo檢測頭包括特征對齊模塊FAM、信息融合模塊IFM和信息注入模塊Inject，所述特征對齊模塊FAM、信息融合模塊IFM和信息注入模塊Inject構(gòu)成聚集分發(fā)機(jī)制；所述特征對齊模塊FAM通過收集backbone部分不同尺度的特征圖，并通過上采樣或者下采樣的方式進(jìn)行對齊；所述信息融合模塊IFM融合對齊后的特征生成全局特征，通過split切片操作分為兩部分，在后面針對性地對其他尺度進(jìn)行分發(fā)操作；信息注入模塊Inject使用增強(qiáng)分支檢測能力的注意力操作將全局特征split后分發(fā)到各個(gè)層級；假設(shè)輸入圖像shape為N×3×H×W，從backbone得到的多尺度特征有四個(gè)，分別為B2、B3、B4、B5，即其中N表示batch-size，表示不同尺度特征圖的通道數(shù)，表示不同尺度特征圖的高和寬；特征對齊模塊FAM以B4為基準(zhǔn)，對大的特征圖B2、B3通過平均池化的方式進(jìn)行下采樣，對小的特征圖B5采用雙線性插值進(jìn)行上采樣，表示為：Falign＝FAM[B2、B3、B4、B5]3concat得到合并后的特征表示為： 信息融合模塊IFM設(shè)計(jì)包括Conv、RepBlock模塊、Split拆分操作：Ffuse＝RepBlockFalign5Finj_P3，F(xiàn)inj_P4＝SplitFfuse6將對齊并concat后的特征Falign輸入到RepBlock模塊中得到Ffuse融合特征，同時(shí)使用Conv來調(diào)節(jié)通道，以適應(yīng)不同模型的大小，F(xiàn)fuse通過Split在通道上拆分為Finj_P3和Finj_P4，然后與不同的層級進(jìn)行下一步的特征融合；信息注入模塊Inject，采用自注意力形式，輸入為待被分發(fā)的當(dāng)前尺度下的x_localFlocal，以及前面由IFM生成的全局特征x_globalFinj，最后通過ReBlock處理進(jìn)一步得到融合信息Pi。

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)人深圳瑞泊龍科技有限公司，其通訊地址為：518000 廣東省深圳市龍崗區(qū)龍城街道回龍埔社區(qū)恒明灣創(chuàng)匯中心1棟CD座806D；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)”。