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)恭喜杭州電子科技大學(xué)申請(qǐng)的專(zhuān)利基于特征融合和注意力機(jī)制的機(jī)載圖像車(chē)輛目標(biāo)識(shí)別方法獲國(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：CN114332620B 。

龍圖騰網(wǎng)通過(guò)國(guó)家知識(shí)產(chǎn)權(quán)局官網(wǎng)在2025-05-27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：202111654301.2，技術(shù)領(lǐng)域涉及：G06V20/10；該發(fā)明授權(quán)基于特征融合和注意力機(jī)制的機(jī)載圖像車(chē)輛目標(biāo)識(shí)別方法是由胡馨之;潘勉;呂帥帥;金建國(guó);唐金龍?jiān)O(shè)計(jì)研發(fā)完成，并于2021-12-30向國(guó)家知識(shí)產(chǎn)權(quán)局提交的專(zhuān)利申請(qǐng)。

本基于特征融合和注意力機(jī)制的機(jī)載圖像車(chē)輛目標(biāo)識(shí)別方法在說(shuō)明書(shū)摘要公布了：本發(fā)明公開(kāi)了一種基于特征融合和注意力機(jī)制的機(jī)載圖像車(chē)輛目標(biāo)識(shí)別方法。本發(fā)明使用自頂向下和自底向上的雙重金字塔結(jié)構(gòu)，并加入多個(gè)橫向連接，將輸出的第一級(jí)特征與第二、三級(jí)特征相融合，增強(qiáng)了網(wǎng)絡(luò)的表征能力，得到具有更加豐富的語(yǔ)義信息的特征圖。能夠改善目標(biāo)檢測(cè)漏檢、誤檢的問(wèn)題。本發(fā)明針對(duì)機(jī)載圖像中背景較復(fù)雜這一問(wèn)題，使用注意力模塊，突出目標(biāo)區(qū)域的特征，使網(wǎng)絡(luò)重點(diǎn)學(xué)習(xí)有需要的區(qū)域。在注意力模塊中使用空間注意力和通道注意力模塊并聯(lián)的方式，既獲得了空間的重點(diǎn)信息又獲得了通道的重點(diǎn)信息，并與原始特征圖相加，得到更精確的特征圖。能夠在不增加過(guò)多時(shí)間的前提下，使后續(xù)的檢測(cè)更加準(zhǔn)確。

本發(fā)明授權(quán)基于特征融合和注意力機(jī)制的機(jī)載圖像車(chē)輛目標(biāo)識(shí)別方法在權(quán)利要求書(shū)中公布了：1.一種基于特征融合和注意力機(jī)制的機(jī)載圖像車(chē)輛目標(biāo)識(shí)別方法，其特征在于，包括以下步驟：S1:構(gòu)建機(jī)載圖像車(chē)輛目標(biāo)識(shí)別模型；機(jī)載圖像車(chē)輛目標(biāo)識(shí)別模型包括特征提取模塊、特征融合模塊、注意力機(jī)制模塊和檢測(cè)模塊；特征提取模塊用于對(duì)輸入的原始圖片進(jìn)行特征提取；特征融合模塊將提取后的特征進(jìn)行融合，獲得更加豐富的語(yǔ)義信息；注意力機(jī)制將融合后特征中的重點(diǎn)信息突出顯示；檢測(cè)模塊用于獲得目標(biāo)的類(lèi)別與位置；S2：通過(guò)特征提取模塊，使用卷積神經(jīng)網(wǎng)絡(luò)對(duì)原始圖片進(jìn)行特征提取，輸出具有多尺度的特征圖；S3：通過(guò)特征融合模塊對(duì)頂層的特征圖進(jìn)行上采樣，并與低層特征進(jìn)行橫向連接，構(gòu)建一個(gè)自頂向下的金字塔結(jié)構(gòu)，輸出初步融合后的多尺度特征；然后對(duì)于初步融合后的多尺度特征進(jìn)行處理，對(duì)底層特征進(jìn)行下采樣，并與高層特征圖和S2中輸出的高層特征圖分別進(jìn)行橫向連接，構(gòu)成一個(gè)自底向上的金字塔結(jié)構(gòu)，輸出最終融合后的多尺度特征；S4：通過(guò)注意力模塊，對(duì)最終融合后的多尺度特征，沿著空間和通道兩個(gè)維度進(jìn)行操作；在空間和通道兩個(gè)子模塊中，分別計(jì)算特征圖的縮放因子和權(quán)重，并與原特征圖相乘來(lái)對(duì)特征進(jìn)行自適應(yīng)調(diào)整，使網(wǎng)絡(luò)學(xué)習(xí)關(guān)注特征圖的重點(diǎn)信息；最后將空間和通道兩個(gè)子模塊的輸出與輸入特征圖相加，得到最終的結(jié)果；S5：生成多個(gè)不同比例、大小的候選框，得到每個(gè)輸出特征圖位置的候選框列表，計(jì)算得到每個(gè)特征圖上對(duì)應(yīng)于原圖的候選框，利用真實(shí)值信息計(jì)算每個(gè)候選框的正負(fù)樣本屬性；S6：檢測(cè)模塊根據(jù)需要選用一階段檢測(cè)器，其包括分類(lèi)、回歸兩個(gè)子網(wǎng)絡(luò)，將特征圖分別送入分類(lèi)、回歸兩個(gè)子網(wǎng)絡(luò)，分別用于判斷目標(biāo)的類(lèi)別及目標(biāo)的具體位置，得到每個(gè)預(yù)測(cè)框及其類(lèi)別的置信度，并使用回歸網(wǎng)絡(luò)修正位置；最后使用非極大值抑制去除冗余的預(yù)測(cè)框，保留結(jié)果最好的一個(gè)，得到最終的檢測(cè)結(jié)果；所述S3詳細(xì)步驟為：S3.1：將特征圖{P2,P3,P4,P5}進(jìn)行自頂向下的增強(qiáng)；首先將S2中得到的特征圖的通道歸一化，并將最上層特征圖P5平移得到N5；將平移后的特征圖進(jìn)行像素混洗，將原特征圖放大兩倍；然后將放大后的特征圖的通道歸一化，以便與S2中的低層特征圖橫向連接，得到新的特征圖N4；N4重復(fù)進(jìn)行放大與橫向連接操作，直與S2中低層特征圖全部完成橫向連接；具體表現(xiàn)為： 其中Ni為特征融合后的第i層特征圖，Conv1×1為大小是1×1的卷積，PS·表示像素混洗函數(shù)對(duì)特征進(jìn)行上采樣，L·代表通道歸一化操作，Ni+1為上一層特征圖，kn為卷積核的數(shù)量，sn為卷積核移動(dòng)的步長(zhǎng)，其中kn＝256，sn＝1；Pi為Resnet50特征提取后得到的相較于Ni+1低一層的特征圖；最終輸出初步融合后的特征圖{N2,N3,N4,N5}S3.2：將特征圖{N2,N3,N4,N5}進(jìn)行自底向上的增強(qiáng)；首先將最底層的特征圖平移；此后，每一層特征圖都進(jìn)行卷積操作，使特征圖縮小兩倍，然后與相對(duì)應(yīng)的Ni特征圖和Pi特征圖進(jìn)行橫向連接，對(duì)連接后的特征圖進(jìn)行卷積操作，最終生成新的高分辨率的特征圖；具體表現(xiàn)為： 其中Fi為輸出的高分辨率的第i層特征圖，Conv3×3為大小是3×3的卷積，kf為卷積核的數(shù)量，其中kf＝2，2表示卷積核移動(dòng)的步長(zhǎng)為2，Ni為S3.1中第i層特征圖，Pi為S2中第i階段輸出的特征圖，1表示卷積核移動(dòng)的步長(zhǎng)；最終輸出的特征圖為{F2,F3,F4,F5}。

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)人杭州電子科技大學(xué)，其通訊地址為：310018 浙江省杭州市下沙高教園區(qū)2號(hào)大街；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)”。