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！

龙图腾网获悉西北工业大学申请的专利基于存储库鲁棒区域特征合成器的零样本目标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：CN116416619B 。

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：202310254266.8，技术领域涉及：G06V20/70；该发明授权基于存储库鲁棒区域特征合成器的零样本目标检测方法是由张鼎文;黄培亮;韩军伟;程德;杨乐;刘念;郭广宇设计研发完成，并于2023-03-16向国家知识产权局提交的专利申请。

本基于存储库鲁棒区域特征合成器的零样本目标检测方法在说明书摘要公布了：本发明提供了一种基于存储库鲁棒区域特征合成器的零样本目标检测方法。构建目标检测网络，输入语义描述子和随机噪音，在训练的第一阶段，在可见类视觉特征上训练特征生成器，为获得类内多样和类间可区分性特征，加入类内语义发散模块和类间结构保持模块来约束学习过程，训练结束后用此特征生成器合成不可见类视觉特征；在训练的第二阶段，构造一个存储库来保存真实的可见类存储单元和第一阶段合成的不可见类存储单元，基于该存储库构建的跨模态对比增强损失使得特征合成器可以同时在可见类和不可类数据上进行优化，生成器可以合成类内多样性、类间可区性以及跨域可区分的视觉特征用于训练鲁棒的目标检测器，最终得到准确的零样本目标检测结果。

本发明授权基于存储库鲁棒区域特征合成器的零样本目标检测方法在权利要求书中公布了：1.一种基于存储库鲁棒区域特征合成器的零样本目标检测方法，其特征在于步骤如下： 步骤1：构建目标检测网络模型，包括目标检测组件和不可见分类器学习组件两个部分，其中，目标检测组件采用Fasterr-cnn目标检测网络结构，用于目标检测，在该网络中包含区域候选网络，用于提取区域特征；不可见分类器学习组件包括生成对抗网络和不可见类分类器网络，生成对抗网络包括生成器网络和判别器网络，用于合成不可见类区域特征，不可见类分类器网络使用生成对抗网络合成的不可见类区域特征作为输入进行训练，得到训练完备的不可见类分类器权重参数，然后用于更新目标检测组件；采用均匀分布初始化方法对网络参数进行初始化； 步骤2：将PASCALVOC2007+2012图像数据集划分为可见类和不可见类两个子数据集； 步骤3：将可见类子数据集中的图像以及其对应的标签和边界框坐标输入到目标检测组件进行网络训练，训练时采用交叉熵损失函数作为网络的损失函数，采用随机梯度下降算法进行网络参数优化； 步骤4：将可见类子数据集中的图像输入到步骤3训练好的目标检测组件，利用其中的区域候选网络提取得到可见类区域特征Fs； 步骤5：将随机噪音z～N0,1和可见类语义描述子ws∈Ws输入到生成对抗网络中的生成器网络，将可见类子数据集中图像的真实区域特征fs∈Fs和合成区域特征输入到生成对抗网络中的判别器网络，然后对两个网络进行单独交替迭代训练，得到训练好的生成器网络和判别器网络；其中，Ws表示可见类语义描述子，使用FastText模型生成，表示合成的区域特征集合，由生成网络合成的所有区域特征构成； 训练时采用自适应矩估计算法优化网络参数，网络的损失函数设置如下： 其中，G表示生成器网络，D表示判别器网络，表示WGAN损失，表示分类损失，表示类内语义发散损失，表示类间结构保持损失，η为分类损失项的均衡系数，设置η＝0.01，λ1为类内语义发散损失项的均衡系数，设置λ1＝0.001，λ2为类间结构保持损失项的均衡系数，设置λ2＝0.001； 所述的类间结构保持损失按下式计算： 其中，E[·]表示期望，表示合成的正样例区域特征，表示合成的负样例区域特征，正样例是指在以区域特征对应的随机噪音输入z为球心、半径为r的球体内部的随机噪音输入对应的区域特征，负样例是指在球体外部的随机噪音输入对应的区域特征，设置r＝10-6，N为负样例数量，设置N＝10，τ1为温度系数一，设置τ1＝0.1； 所述的类间结构保持损失按下式计算： 其中，g+表示正样例区域特征，正样例指的是与具有相同类别标签的区域特征，Φ＝{gj}表示区域特征集合，包括真实的区域特征fs，合成的区域特征和背景区域特征fb，gj表示第j个区域特征，τ2为温度系数二，设置τ2＝0.1； 步骤6：将随机噪音z～N0,1和不可见类语义描述子wu∈Wu输入到步骤5训练好的生成器网络，合成不可见类区域特征所有不可见类区域特征构成不可见类区域特征集合其中，Wu表示不可见类语义描述子，使用FastText模型生成； 步骤7：计算得到异步存储库的初始化记忆单元，包括可见类记忆单元和不可见类记忆单元计算公式分别为： 其中，表示第k个可见类的真实区域特征集合，fi s表示第i个可见类真实区域特征，表示集合包含的特征个数，表示合成的第k个不可见类的区域特征集合，表示合成的第i个不可见类区域特征，表示集合包含的特征个数； 步骤8：将随机噪音z～N0,1、可见类语义描述子ws∈Ws和不可见类语义描述子wu∈Wu输入到生成对抗网络的生成器网络，判别网络的输入与步骤5中相同，然后对两个网络再次进行单独交替迭代训练，得到训练好的生成器网络和判别器网络； 训练时设置网络的损失函数如下： 其中，为存储库对应的跨模态对比增强损失，λ3为跨模态对比增强损失项的均衡系数，设置λ3＝0.001； 所述的跨模态对比增强损失的计算公式如下： 其中，表示合成的可见类或不可见类区域特征；u+表示正样例记忆单元，正样例表示与区域特征具有相同类别标签的记忆单元；Ks表示可见类记忆单元数量，设置Ks＝16；表示第k个可见类记忆单元；Ku表示可见类记忆单元数量，设置Ku＝4；表示第k个不可见类记忆单元；τ3为温度系数三，设置τ3＝0.05； 训练中利用以下公式对存储库中的不可见类记忆单元进行更新： 其中，←表示更新操作，m为动量更新因子，设置m＝0.0001；为合成的不可见类区域特征集合； 步骤9：将随机噪音z～N0,1和不可见类语义描述子wu∈Wu输入到步骤8训练好的生成器网络，合成不可见类区域特征所有不可见类区域特征构成不可见类区域特征集合 步骤10：将步骤9得到的不可见类区域特征集合输入到不可见类分类器网络，对该网络进行训练，得到训练好的不可见类分类器网络；训练时设置网络的损失函数为交叉熵损失函数，采用自适应矩估计算法进行网络参数优化；然后将目标检测组件中对应的分类器网络参数替换为不可见类分类器网络的权重参数； 步骤11：将待处理的零样本测试图像集输入到步骤10更新后的目标检测组件，其中的候选区域网络输出的区域特征构成候选区域特征集F； 步骤12：利用公式计算得到集合F中第i候选区域特征fi的最终分类得分pi；其中，为候选区域特征fi的基本分类器得分，通过将fi输入步骤10更新后的目标检测组件中的基本分类器得到，β为均衡系数，设置β＝1.0，为候选区域特征fi的类级别分类预测得分，计算公式如下： 其中，u为存储库中经更新后的记忆单元，由步骤8中对储存库记忆单元更新完毕得到，ui表示与第i个候选特征fi具有相同类别的记忆单元，uk表示记忆库中第k个类对应的记忆单元，K为记忆单元类别总数。

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西北工业大学，其通讯地址为：710072 陕西省西安市友谊西路；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”。