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！

龙图腾网获悉杭州电子科技大学申请的专利一种基于深度学习的轻量级伪装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：CN119091117B 。

龙图腾网通过国家知识产权局官网在2025-09-09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：202411098255.6，技术领域涉及：G06V10/25；该发明授权一种基于深度学习的轻量级伪装目标检测方法是由周晓飞;张峻源;陈张平;章国道;乔通;张继勇设计研发完成，并于2024-08-12向国家知识产权局提交的专利申请。

本一种基于深度学习的轻量级伪装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深度学习的轻量级伪装目标检测方法，该方法首先获取伪装物体图像数据集，进行预处理，并划分为训练集和测试集。其次将测试集数据输入初级特征提取网络，进行初级特征提取。然后依次通过频谱门控单元、混合注意力机制、全局信息模块、边缘感知模块、边缘引导模块，对初级特征进行强化处理。最后基于深度可分离卷积，对强化处理后的初级特征进行解码，输出检测结果。本发明充分利用图像的RGB特征与频率特征，并结合边界引导实现对伪装目标的检测。

本发明授权一种基于深度学习的轻量级伪装目标检测方法在权利要求书中公布了：1.一种基于深度学习的轻量级伪装目标检测方法，其特征在于，包括以下步骤： 步骤1.获取伪装物体图像数据集，进行预处理，并划分为训练集和测试集； 步骤2.将测试集数据输入初级特征提取网络，进行初级特征提取； 步骤3.依次通过频谱门控单元、混合注意力机制、全局信息模块、边缘感知模块、边缘引导模块，对初级特征进行强化处理，具体过程如下； 步骤3.1.频谱门控单元接收f1、f2，并分别作为自身输入，对其中的频率特征进行学习，公式如下： 其中，LN为层归一化，Xf表示频域图像信息，FFT表示快速傅里叶变换，IFFT表示快速傅里叶逆变换，MLP为多层感知机，Wc表示可学习权重参数；频谱门控单元输出结果为fi p，i∈{1,2}； 步骤3.2.混合注意力机制共有四处，分别接收来自两个频谱门控单元的输出以及初级特征提取的后两单元的输出f3、f4；该模块通过串行使用通道注意力和空间注意力，加强特征表示，其公式如下： McF＝σMLPAvgPoolF+MLPMaxPoolF MsF＝σf7×7[AvgPoolMcF；MaxPoolMcF] 其中，F为输入特征，包含f3,f4，AvgPool表示平均池化操作，MaxPool表示最大池化操作，σ表示sigmoid激活函数，[；]表示拼接操作；混合注意力机制输出结果为MsF：包含 步骤3.3.全局信息模块，接收来自骨干网络的输出f5，公式如下： f′a0＝Conv1×1f5 f′a1＝Conv3×3,rates＝1f5 f′a2＝Conv3×3,rates＝2f5 f′a3＝Conv3×3,rates＝3f5 f′a4＝Conv3×3,rates＝4f5 fa＝Conv1×1Catf′a0,f′a1,f′a2,f′a3,f′a4 fhigh＝up×2CBRf5+fa 其中，rates表示扩张卷积操作的膨胀率，Cat表示concat操作，up×2表示上采样倍率为2，CBR是卷积Conv、批标准化BatchNorm、ReLU激活函数的组合操作；全局信息模块输出结果为fhigh； 步骤3.4.边缘感知模块接收来自全局信息模块的输出特征fhigh以及骨干网络的输出f1，作为自身输入，进行物体边缘识别；该模块首先采用两个1×1卷积层改变通道数，并对fhigh进行上采样；其次，将处理后的f1和fhigh进行concat拼接操作；最后，通过两个3×3卷积层和一个1×1带激活函数的卷积层得到有效的边缘特征，输出结果为边缘预测图fe； 步骤3.5.边缘引导模块接收来自边缘感知模块的输出fe，并结合来自各级混合注意力机制的输出增强物体结构的特征代表性；该模块首先使用元素乘积、残差连接、3×3卷积得到融合特征图；再将该融合特征图通过全局平均池化GAP、一维卷积、Sigmoid激活函数，并与未处理过的特征图进行元素乘积，最后通过1×1卷积得到最终输出，公式如下： 其中，D表示下采样，表示元素级相加，表示元素级相乘，是卷积核大小为1的1D卷积，σ是Sigmoid激活函数，边缘引导模块输出结果为fi a,i∈{1,2,3,4}； 步骤4.基于深度可分离卷积，对强化处理后的初级特征进行解码，输出检测结果。

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杭州电子科技大学，其通讯地址为：310018 浙江省杭州市钱塘区白杨街道2号大街1158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”。

以上内容由龙图腾AI智能生成。