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！

龙图腾网获悉北京理工大学申请的专利基于对抗学习中差分特征感知的红外可见光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：CN116681994B 。

龙图腾网通过国家知识产权局官网在2025-09-05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：202310655119.1，技术领域涉及：G06V10/88；该发明授权基于对抗学习中差分特征感知的红外可见光目标检测方法是由张睿恒;李璐;徐立新;杨志东;余恒设计研发完成，并于2023-06-05向国家知识产权局提交的专利申请。

本基于对抗学习中差分特征感知的红外可见光目标检测方法在说明书摘要公布了：本发明公开了一种基于对抗学习中差分特征感知的红外可见光目标检测方法，包括：基于由KL和JS散度组成的融合散度损失函数，用非共享的特征提取网络分别提取差分的红外特征和可见光特征；使用IR‑Attention模块和RGB‑Attention模块分别对提取到的红外特征和可见光特征进行再提取，更加关注红外特征图和可见光特征图中的有效信息；使用F‑Attention模块对再提取到的差分的双模特征进行融合，保留双模特征的共性的同时追求其更多的差异信息；使用RPN对融合的双模特征进行回归与分类，完成目标检测。本发明的优点是：能够使特征提取网络产生对抗，尽可能多得提取双模独特信息，并且基于多种注意力机制的特征融合网络可以全面地融合互补的差分双模特征，从而提高模型的检测精度。

本发明授权基于对抗学习中差分特征感知的红外可见光目标检测方法在权利要求书中公布了：1.一种基于对抗学习中差分特征感知的红外可见光目标检测方法，其特征在于，包括以下步骤： 步骤一：基于由KL和JS散度组成的融合散度损失函数，用非共享的特征提取网络分别提取差分的红外特征和可见光特征； 应用由KL散度和JS散度组成的融合散度损失函数来度量红外特征和可见光特征之间的相似性； 红外与可见光特征的相似度与KL和JS散度值呈负相关；KL散度表示为： JS散度表示为： 基于KL散度和JS散度定义的融合散度损失函数表示为: 式中，F1和F2分别为两个骨干网络各ResNet的最后一个卷积层输出的特征；f1和f2分别表示F1和F2中各个位置的像素强度，它们由softmax函数计算；N表示F1或F2中的特征个数，取最大值为N； 步骤二：使用IR-Attention模块和RGB-Attention模块分别对步骤一中提取到的红外特征和可见光特征进行再提取，更加关注红外特征图和可见光特征图中的有效信息； 步骤二具体子步骤如下：首先对输入特征图分别进行三次线性运算，得到query、key和value三个特征图，分别用E、F、G表示，其中接下来，将E重塑为将F重塑为后转置为得到通道注意力矩阵： 其中Tji表示第i个通道对第j个通道的影响，此相关性与T的值成正相关；同时，将G重塑为并对T和G进行矩阵乘法运算，将结果重塑为此为中间部分的子输出特征图；定义此子输出为 使用全局平均池化Fsq·将原始特征图压缩为该操作压缩了特征图的大小，同时保留了特征图的完整信息；M表示为： 其中H和W分别为原始特征图的高度和宽度；接下来，将M送入两个全连接层，得到激活值N表示为： N＝FexM,ω＝σω2δω1M11 其中σ·和δ·分别为sigmoid函数和ReLU函数；分别为第一个全连接层和第二个全连接层的权值，r为两个全连接层中隐藏层的神经元数量，设r为16；这部分的子输出特征图表示为： 其中Fscale·,·表示对应的元素相乘； 最后，将得到的两个子输出特征图和与原始特征图F2线性组合，得到通道关注模块的总输出特征图 其中α和β的初始值均为0，随着学习过程最终确定权值，得到高度特征图F2,H和宽度特征图F2,W；最后，通过逐像素加法合并三个特征图，得到RGB-Attention的输出，即具有上下文联系的可见光特征F'2： F'2＝F2,C+F2,H+F2,W14 步骤三：使用F-Attention模块对再提取到的差分的双模特征进行融合，保留双模特征的共性的同时追求其更多的差异信息； 步骤四：使用RPN对融合的双模特征进行回归与分类，完成目标检测。

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北京理工大学，其通讯地址为：100086 北京市海淀区中关村南大街5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”。