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！

龙图腾网获悉浙江工业大学申请的专利基于语义增强和高斯损失的小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：CN116524274B 。

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：202310532596.9，技术领域涉及：G06V10/764；该发明授权基于语义增强和高斯损失的小目标检测方法是由崔嘉敖;产思贤;毛家发;白琮设计研发完成，并于2023-05-12向国家知识产权局提交的专利申请。

本基于语义增强和高斯损失的小目标检测方法在说明书摘要公布了：一种基于语义增强和高斯损失的小目标检测方法，包括：1将训练集中的图像进行图像预处理操作，包括等比缩放、区域填充、仿射变换和mosaic数据增强；2经过处理后的图像之后被输入到Darknet‑53特征提取网络，随着骨干网络的深入，依次输出三个尺度的特征图；3三个特征图随后进入改进后的FPN网络，其由本实例提出的语义增强融合模块构成；4经过特征融合的特征图进入Head直接预测目标的类别和预测框位置cx,cy,w,h；5通过高斯Wasserstein距离损失函数对预测框结果进行评估，并训练模型。

本发明授权基于语义增强和高斯损失的小目标检测方法在权利要求书中公布了：1.一种基于语义增强和高斯损失的小目标检测方法，包括以下步骤： 1）将训练集中的图像进行图像预处理操作，包括等比缩放、区域填充、仿射变换和mosaic数据增强； 2）经过处理后的图像之后被输入到Darknet-53特征提取网络，随着骨干网络的深入，依次输出三个尺度的特征图,记为； 3）随后进入改进后的FPN网络，进行语义增强融合；FPN网络输出后的特征图记为；所述语义增强融合，包括语义重组和因子融合，具体步骤如下： 31首先对进行语义重组； 32语义重组时先使用1×1的卷积压缩通道，交互各个通道信息的同时，减少计算量； 33使用大小的卷积层对压缩通道后的特征图进行编码，让每一个通道学习特征处的上下文信息；编码后的特征图记为； 34用Softmax函数对进行归一化，使值总和为1，由此对特征区域实现软选择； 35通过对局部特征区域进行重组；对于一个目标位置为和以此为中心的正方形区域，重组公式如下： 1 其中可以为中任意一个，重组后的特征图记为；为的边长； 36引入了融合因子平衡小目标检测中深层与浅层的特征学习；按以下方式聚合相邻的特征层： 2 其中是用于通道匹配的1×1卷积操作，表示用于分辨率匹配的2×上采样操作，通常是用于特征处理的卷积操作，表示融合因子；把设置为网络自学习参数，为在网络开始训练前，根据数据集标签计算得到其初始值，该参数参与梯度反向传播，受到损失函数控制，同时为了防止过大导致网络梯度爆炸，对其有下约束公式： 3 分别是上层和下层特征图对应尺度目标的数量； 4）经过特征融合的特征图进入Head直接预测目标的类别和预测框位置； 5）通过高斯Wasserstein距离损失函数对步骤4）得到的预测框结果进行评估，并训练模型。

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浙江工业大学，其通讯地址为：310014 浙江省杭州市拱墅区潮王路18号浙江工业大学；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”。