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！

龙图腾网获悉中国人民解放军国防科技大学申请的专利一种由粗到细的快速准确检测伪装物体的方法及装置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：CN116363467B 。

龙图腾网通过国家知识产权局官网在2025-07-22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：202310319154.6，技术领域涉及：G06V10/80；该发明授权一种由粗到细的快速准确检测伪装物体的方法及装置是由李硕豪;李小飞;张军;陈江明;何华;雷军;黄魁华;王翔汉;孙博良;陈超;刘忠设计研发完成，并于2023-03-28向国家知识产权局提交的专利申请。

本一种由粗到细的快速准确检测伪装物体的方法及装置在说明书摘要公布了：本发明提供了一种由粗到细的快速准确检测伪装物体的方法及装置，包括粗略预测子网络和精细预测子网络；所述粗略预测子网络利用跨级注意力融合模块集成不同尺度的特征及融合边界信息，然后进行初始粗预测；所述跨级注意力融合模块包括四个分别用于捕获远程语义依赖、精确位置信息、全局特征和局部特征的分支；所述精细预测子网络利用残差选择性内核模块增强判别特征表示，然后利用两个跨级注意力融合模块进一步捕获多尺度纹理并获得细粒度预测结果；所述残差选择性内核模块通过堆叠选择性内核网络构建，用以增强网络的表示能力。可以融合主干提取的多尺度上下文信息，并获得精确的伪装目标检测的精细预测。

本发明授权一种由粗到细的快速准确检测伪装物体的方法及装置在权利要求书中公布了：1.一种由粗到细的快速准确检测伪装物体的方法，其特征是，包括融合主干提取的多尺度上下文信息，并获得精确的伪装目标检测结果的粗略预测子网络和精细预测子网络； 所述粗略预测子网络利用跨级注意力融合模块集成不同尺度的特征及融合边界信息，然后进行初始粗预测；所述跨级注意力融合模块包括四个分别用于捕获远程语义依赖、精确位置信息、全局特征和局部特征的分支； 所述精细预测子网络利用残差选择性内核模块增强判别特征表示，然后利用两个跨级注意力融合模块进一步捕获多尺度纹理并获得细粒度预测结果；所述残差选择性内核模块通过堆叠选择性内核网络构建，用以增强网络的表示能力； 在所述跨级注意力融合模块中，首先对高层特征进行了两次上采样，并且用低层特征逐个元素添加以获得上下文特征X′；汇集内核的两个空间范围分别用于沿着水平坐标和垂直坐标对每个通道进行编码；然后将沿着空间维度的中间特征分成单独的张量，分别添加1×1的卷积层和激活函数；最后从两个方向获得以下远程语义依赖关系和精确位置信息，用Al表示： Ali,j＝X′i,j×Ghi×Gwj1 其中Gh和Gw是学习到的注意力权重； 从X′中再划分出两个分支来获取全局特征和局部特征，两个分支的特征分别通过点卷积、ReLU和另一个点卷积进行操作，得到的全局和局部注意力权重描述如下： Ar＝X′×σGX′+LX′2 其中GX′和LX′表示全局和局部信道上下文，σ是sigmoid函数； 最后得到跨级注意力融合特征： Ff＝Conv3×3CF′,Al+Ar,F″3 其中C是级联操作，Conv3×3表示一个3×3卷积层，F′和F″分别是低级特征和高级特征；Al表示远程语义依赖关系和精确位置信息； 最后通过如下操作得到粗预测： 其中f4是多级特征，是粗预测阶段融合之后的跨层注意力特征； 在残差选择性内核模块中，将选择性核卷积集成到残差块中，定义第j个残差组中的第i个残差块表示为： Fj,i＝Fj,i-1+SKj,iXj,i·Xj,i5 其中Fj,i和Fj,i-1分别是残差选择性内核模块的输入和输出，Xj,i是要从输入中学习的特征，SKj,i是SK卷积； 然后，通过两个堆叠的卷积层得到残差特征，如下所示： 其中和是残差选择性内核模块中的两个堆叠卷积层的权重集； 最后通过如下操作得到精细预测： 其中f4′是多级特征，是精细预测阶段融合之后的跨层注意力特征。

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中国人民解放军国防科技大学，其通讯地址为：410003 湖南省长沙市开福区德雅路109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”。