買(mǎi)專(zhuān)利賣(mài)專(zhuān)利找龍圖騰，真高效！ 查專(zhuān)利查商標(biāo)用IPTOP,全免費(fèi)！專(zhuān)利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)恭喜東北大學(xué)秦皇島分校申請(qǐng)的專(zhuān)利一種基于新型半斷層FPN+PAN特征融合網(wǎng)絡(luò)的小目標(biāo)檢測(cè)方法獲國(guó)家發(fā)明授權(quán)專(zhuān)利權(quán)，本發(fā)明授權(quán)專(zhuān)利權(quán)由國(guó)家知識(shí)產(chǎn)權(quán)局授予，授權(quán)公告號(hào)為：CN116543290B 。

龍圖騰網(wǎng)通過(guò)國(guó)家知識(shí)產(chǎn)權(quán)局官網(wǎng)在2025-05-23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(zhuān)利申請(qǐng)?zhí)?專(zhuān)利號(hào)為：202310591616.X，技術(shù)領(lǐng)域涉及：G06V10/82；該發(fā)明授權(quán)一種基于新型半斷層FPN+PAN特征融合網(wǎng)絡(luò)的小目標(biāo)檢測(cè)方法是由李文超;郭周鵬;沙曉鵬;管政;朱宇杰;謝德瀚設(shè)計(jì)研發(fā)完成，并于2023-05-24向國(guó)家知識(shí)產(chǎn)權(quán)局提交的專(zhuān)利申請(qǐng)。

本一種基于新型半斷層FPN+PAN特征融合網(wǎng)絡(luò)的小目標(biāo)檢測(cè)方法在說(shuō)明書(shū)摘要公布了：本發(fā)明提供一種基于新型半斷層FPN+PAN特征融合網(wǎng)絡(luò)的小目標(biāo)檢測(cè)方法，屬于目標(biāo)檢測(cè)領(lǐng)域。本方法在FPN+PAN特征融合網(wǎng)絡(luò)的基礎(chǔ)上切斷其中FPN較深層的信息傳遞過(guò)程，有效地削弱淺層特征圖的尺度混淆問(wèn)題，提高了小目標(biāo)檢測(cè)精度。同時(shí)，采用Dconv模塊與C3?Res模塊構(gòu)成的特征提取網(wǎng)絡(luò)，以自適應(yīng)提取特征并加深網(wǎng)絡(luò)深度。同時(shí)，采用K?means++算法得到先驗(yàn)框，加速模型收斂。最后，對(duì)檢測(cè)結(jié)果進(jìn)行非極大值抑制，篩出重疊物體框，整個(gè)網(wǎng)絡(luò)采用端到端的方式，整體進(jìn)行網(wǎng)絡(luò)權(quán)值的更新，直至收斂。最終，提出的新型半斷層FPN+PAN多尺度特征融合網(wǎng)絡(luò)有效地提高了復(fù)雜背景、多尺度目標(biāo)下的小目標(biāo)檢測(cè)精度。

本發(fā)明授權(quán)一種基于新型半斷層FPN+PAN特征融合網(wǎng)絡(luò)的小目標(biāo)檢測(cè)方法在權(quán)利要求書(shū)中公布了：1.一種基于新型半斷層FPN+PAN特征融合網(wǎng)絡(luò)的小目標(biāo)檢測(cè)方法，其特征在于，包括以下步驟：步驟1：使用以Yolov5主干網(wǎng)絡(luò)NewCSP-Darknet53為改進(jìn)的特征提取網(wǎng)絡(luò)，提取包含小目標(biāo)的多尺度目標(biāo)圖片；所述主干網(wǎng)絡(luò)由5組特征提取模塊依次串聯(lián)構(gòu)成；其中第1組特征提取模塊為Focus數(shù)據(jù)增強(qiáng)模塊與C3_Res模塊構(gòu)成；第2、3、4組特征提取模塊均由Dconv模塊和C3_Res模塊構(gòu)成；第5組特征提取模塊由Dconv模塊與SPP模塊構(gòu)成；所述C3_Res模塊結(jié)構(gòu)為Yolov5中的C3模塊首末端連通一個(gè)殘差連接通道的卷積模塊；所述Dconv模塊為可變形卷積模塊、BN環(huán)節(jié)、SiLU激活函數(shù)構(gòu)成的模塊，此模塊通過(guò)加入偏移量的方式改變卷積核形狀，自適應(yīng)的提取目標(biāo)特征；其中所述可變形卷積模塊對(duì)C*H*W尺寸的圖片進(jìn)行卷積，縮小圖片尺寸并增加通道數(shù)，得到尺寸為2C*H2*W2的特征圖，其公式為： 式中，w表示抽樣值的對(duì)應(yīng)權(quán)重；為正規(guī)網(wǎng)格，p0為卷積中心，pn為中元素，Δpn為偏移量，{Δpn|n＝1,....,N}，其中卷積取樣位置則取決于不規(guī)則的偏移量pn+Δpn；所述BN環(huán)節(jié)即采用通用的批量標(biāo)準(zhǔn)化操作BatchNorm2d，使其具有描述全局?jǐn)?shù)據(jù)的統(tǒng)計(jì)特性，同時(shí)保證網(wǎng)絡(luò)訓(xùn)練過(guò)程不會(huì)出現(xiàn)梯度爆炸與梯度消失的問(wèn)題；所述SiLU激活函數(shù)輸出2C*H2*W2的特征圖；其中SiLU激活函數(shù)的公式如下： 步驟2：提取由主干網(wǎng)絡(luò)五個(gè)特征提取模塊生成的5組尺寸依次減半、通道依次翻倍的不同深度的特征圖T1、T2、T3、T4、T5，并輸入到特征融合網(wǎng)絡(luò)當(dāng)中；所述特征融合網(wǎng)絡(luò)首先將淺層特征圖T3、T2、T1以FPN網(wǎng)絡(luò)中自頂向下的特征融合形式融合特征，由T1、T2、T3分別獲得3組新特征圖L1、L2、L3；其次，由T4、T5分別獲得2組新特征圖L4、L5；最終得到5組新的尺寸依次減半、通道依次翻倍的不同深度的特征圖L1、L2、L3、L4、L5；所述步驟2具體包括以下步驟：步驟2.1：提取出特征圖T5，依次輸入C3模塊與卷積模塊Conv2d，輸出新特征圖L5；步驟2.2：對(duì)特征圖L5進(jìn)行上采樣操作并與特征圖T4進(jìn)行Concat操作，其中Concat操作是將兩個(gè)不同的特征圖在通道維度上進(jìn)行直接合并的一種操作，合并通道后依次輸入C3模塊與卷積模塊Conv2d，得到新特征圖L4；步驟2.3：提取主干網(wǎng)絡(luò)第4個(gè)特征提取模塊的Dconv后輸出的特征圖T3、T4，依次輸入C3模塊與卷積模塊Conv2d操作，輸出特征圖L3、L4；對(duì)特征圖L3、L4進(jìn)行上采樣操作并與T3特征圖進(jìn)行Concat操作，合并通道，得到新特征圖L3；步驟2.4：對(duì)L3進(jìn)行C3模塊與卷積模塊Conv2d操作，進(jìn)行上采樣操作并與T2特征圖進(jìn)行Concat操作，合并通道，得到新特征圖L2；步驟2.5：對(duì)L2進(jìn)行C3模塊與卷積模塊Conv2d操作，進(jìn)行上采樣操作并與特征圖T1進(jìn)行Concat操作，合并通道，得到新特征圖L1；步驟3：通過(guò)PAN特征金字塔結(jié)構(gòu)在L1、L2、L3、L4、L5特征圖之間建立特征傳輸通道，確保不同特征層之間的上下文信息進(jìn)行有效傳遞，并輸出新特征圖Z1、Z2、Z3、Z4、Z5用于檢測(cè)；步驟4：采用K-means++算法得到先驗(yàn)框，根據(jù)Citypersons數(shù)據(jù)集中物體的目標(biāo)框尺度進(jìn)行聚類(lèi)，分別通過(guò)k-means聚類(lèi)算法與遺傳變異算法得到5個(gè)尺度的先驗(yàn)框；步驟5：最后將融合后的特征圖Z1、Z2、Z3、Z4、Z5分別輸出并用于檢測(cè)出候選框信息與此候選框?qū)儆谀愁?lèi)別的概率，對(duì)檢測(cè)結(jié)果使用非極大值抑制的方法進(jìn)行篩選，即將輸出檢測(cè)結(jié)果中的候選框，依據(jù)檢測(cè)結(jié)果中候選框?qū)儆陬?lèi)別的概率值做排序，并選擇概率最大的候選框?yàn)樽罱K結(jié)果，完成小目標(biāo)檢測(cè)方法。

如需購(gòu)買(mǎi)、轉(zhuǎn)讓、實(shí)施、許可或投資類(lèi)似專(zhuān)利技術(shù)，可聯(lián)系本專(zhuān)利的申請(qǐng)人或?qū)＠麢?quán)人東北大學(xué)秦皇島分校，其通訊地址為：066004 河北省秦皇島市經(jīng)濟(jì)技術(shù)開(kāi)發(fā)區(qū)泰山路143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(huà)0551-65771310或微信搜索“龍圖騰網(wǎng)”。