买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜宁波大学申请的专利基于CNN和Transformer双向协同指导网络的海洋生物检测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116152650B 。

龙图腾网通过国家知识产权局官网在2025-06-17发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211553252.8，技术领域涉及：G06V20/05；该发明授权基于CNN和Transformer双向协同指导网络的海洋生物检测方法是由姜求平;程金广;邵枫设计研发完成，并于2022-12-06向国家知识产权局提交的专利申请。

本基于CNN和Transformer双向协同指导网络的海洋生物检测方法在说明书摘要公布了：本发明公开了一种基于CNN和Transformer双向协同指导网络的海洋生物检测方法，其搭建由骨干网络、用于增强从骨干网络中提取出的特征的全局特征增强模块、以渐进的方式融合不同尺度的特征的双分支跨层级渐进特征融合模块三部分组成的深度神经网络，作为基于CNN和Transformer的双向协同指导网络；使用扩展训练集对深度神经网络进行网络训练，以训练得到深度神经网络训练模型；利用深度神经网络训练模型对测试集中的每幅图像进行测试，检测得到测试集中的每幅图像对应的伪装海洋生物检测图像；优点是其能够准确高效地检测出水下的海洋生物。

本发明授权基于CNN和Transformer双向协同指导网络的海洋生物检测方法在权利要求书中公布了：1.一种基于CNN和Transformer双向协同指导网络的海洋生物检测方法，其特征在于包括以下步骤： 步骤1：选择或构建一个数据集，该数据集包含海洋生物图像和非海洋生物图像两类原始图像；然后对数据集中的每幅原始图像进行预处理，使预处理后的图像的尺寸为H'×W'×3，且使预处理后的图像的R通道的所有像素点的像素值的均值为0.485和方差为0.229、G通道的所有像素点的像素值的均值为0.456和方差为0.224、B通道的所有像素点的像素值的均值为0.406和方差为0.225；再将所有预处理后的图像分为训练集和测试集，训练集和测试集中均包含海洋生物图像和非海洋生物图像两类； 步骤2：采用深度学习框架搭建一个深度神经网络，该深度神经网络由骨干网络、用于增强从骨干网络中提取出的特征的全局特征增强模块、以渐进的方式融合不同尺度的特征的双分支跨层级渐进特征融合模块三部分组成，以此形成一个基于CNN和Transformer的双向协同指导网络；骨干网络包括用于提取图像的高层语义信息的基于CNN的Resnet50-backbone网络和用于提取图像的空间和纹理信息并将提取的空间和纹理信息补充到Resnet50-backbone网络所捕获的特征图上的Transformer-backbone网络，Resnet50-backbone网络共具有依次连接的五层，Transformer-backbone网络共具有依次连接的两层，Transformer-backbone网络由基于Transformer的PVT网络中的第一层和第二层构成；Resnet50-backbone网络的第一层的输入端和Transformer-backbone网络的第一层的输入端同时接收一幅尺寸为H×W×3的图像，在Resnet50-backbone网络中第二层的输入端接收第一层的输出端输出的尺寸为的特征图R1、第三层的输入端接收第二层的输出端输出的尺寸为的特征图R2、第四层的输入端接收第三层的输出端输出的尺寸为的特征图R3、第五层的输入端接收第四层的输出端输出的尺寸为的特征图R4、第五层的输出端输出尺寸为的特征图R5，在Transformer-backbone网络中第二层的输入端接收第一层的输出端输出的尺寸为的特征图T1、第二层的输出端输出尺寸为的特征图T2；全局特征增强模块的第一输入端接收R4、第二输入端接收R5、第三输入端接收T2，全局特征增强模块产生尺寸为的特征图P1'，全局特征增强模块的输出端输出对P1'进行八倍上采样操作后再通过一个卷积核大小为3×3、填充为1、步距大小为1、输入通道个数为64、输出通道个数为1的卷积层得到的尺寸为H×W×1的用于辅助训练的特征图P1；双分支跨层级渐进特征融合模块的第一输入端接收T1、第二输入端接收T2、第三输入端接收P1'，双分支跨层级渐进特征融合模块产生尺寸为特征图P2'，双分支跨层级渐进特征融合模块的输出端输出对P2'进行四倍上采样操作后再通过一个卷积核大小为3×3、填充为1、步距大小为1、输入通道个数为64、输出通道个数为1的卷积层得到的尺寸为H×W×1的用于训练损失函数的特征图P2； 步骤3：以训练集中的每幅图像的尺寸为基准，对训练集中的每幅图像分别缩小0.75倍和放大1.25倍，以扩大训练集，构成扩展训练集，扩展训练集中的每幅图像的尺寸为H×W×3；其中，H＝H',0.75H',1.25H'，W＝W',0.75W',1.25W'； 步骤4：使用扩展训练集对步骤2搭建的深度神经网络进行网络训练，每轮网络训练结束深度神经网络输出扩展训练集中的每幅图像对应的用于辅助训练的特征图P1和用于训练损失函数的特征图P2，而后计算损失函数Loss，Loss＝Lmain+Laux，Lmain＝LwbceP2,GT+LiouP2,GT，Laux＝LwbceP1,GT+LiouP1,GT；其中，Lmain表示主损失函数，Laux表示辅助损失函数，Lwbce表示二进制交叉熵损失函数，Liou表示带权重的交并比损失函数，GT表示真实的标签，网络训练使用Pytorch实现，优化器采用AdaXW，批大小设置为24，初始学习率设置为1e-4，每30个epoch学习率衰减10倍； 步骤5：按照步骤4的过程共进行150个epoch的网络训练，训练得到深度神经网络训练模型； 步骤6：利用深度神经网络训练模型对测试集中的每幅图像进行测试，检测得到测试集中的每幅图像对应的伪装海洋生物检测图像即P2。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人宁波大学，其通讯地址为：315211 浙江省宁波市江北区风华路818号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。