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！

龙图腾网获悉桂林电子科技大学申请的专利一种基于改进FCOS网络的图像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：CN117011603B 。

龙图腾网通过国家知识产权局官网在2025-09-19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：202310959453.6，技术领域涉及：G06V10/764；该发明授权一种基于改进FCOS网络的图像检测方法是由王子民;关挺强设计研发完成，并于2023-08-01向国家知识产权局提交的专利申请。

本一种基于改进FCOS网络的图像检测方法在说明书摘要公布了：本发明公开了一种基于改进FCOS网络的图像检测方法，包括如下步骤：1）制作数据集；2）对数据集中的图像做标注；3）图像预处理；4）在初始化文件里面加入所用类别的名称；5）设置参数；6）步骤3）预处理好的图像作为网络模型的输入；7）获取输出结果C1；8）获取输出结果C2；9）获取输出结果C3；10）获取输出结果C4；11）获取输出结果C5；12）获取输出S3、S4、S5；13）获取P3、P4、P5、P6和P7；14）在检测分类前设置损失函数；15）将步骤13）得到的P3~P7输送到检测头，得到最终的预测结果。这种方法通过特征的内在通信达到扩增卷积感受野的目的，进而增强输出特征的多样性，同时解决信息超载问题，使模型聚焦于对当前任务更为关键的信息。

本发明授权一种基于改进FCOS网络的图像检测方法在权利要求书中公布了：1.一种基于改进FCOS网络的图像检测方法，其特征在于，包括如下步骤： 1首先制作训练和测试用的数据集，数据集是人体腰椎间盘MRI-T2影像数据集，按8：1：1划分为train数据集、val数据集和test数据集； 2将数据集中输入图像的像素固定为768x768，采用COCO数据格式来对数据集中的图像做标注； 3对所有输入图像进行数据增强，包括翻转、缩放，并使用顶帽运算、灰度拉伸图像预处理技术对增强后的图像预处理； 4采用通用目标检测平台MMDetection做检测，首先需要修改COCO数据集代码，将COCO数据集代码中的80个类别替换为数据集中的正常与患病2个类别，然后在初始化文件里面加入所用类别的名称； 5设置采用随机梯度下降方法即SGD对训练过程进行优化，初始学习率为0.005，momentum为0.9； 6步骤3预处理后的图像作为网络模型的输入； 7Backbone将输入图像做卷积核大小为7x7、步距为2的卷积操作后，再做卷积核大小为3x3、步距为2的最大池化，得到输出结果C1； 8将C1送入第一个自校准卷积模块SCConv_1，得到输出结果C2； 9将C2送入第二个自校准卷积模块SCConv_2，得到输出结果C3； 10将C3送入第三个自校准卷积模块SCConv_3，得到输出结果C4； 11将C4送入第四个自校准卷积模块SCConv_4，得到输出结果C5； 12将C3、C4、C5送入SEAttention模块，使用globalaveragepooling作为Squeeze操作，紧接着两个FC层组成一个Bottleneck结构去建模通道间的相关性，并输出与输入特征数量相同的权重；首先将特征维度降低到输入的1r，然后经过ReLU激活后再通过一个FC层升回到原来的维度，然后通过一个Sigmoid的门获得0～1之间归一化的权重，最后通过一个Scale的操作来将归一化后的权重加权到每个通道的特征上，经过激活操作后，但不改变操作前后的大小和通道数，再经过SEAttention模块处理后分别得到输出S3、S4、S5； 13将S3、S4、S5送入FPN模块，FPN在SEAttention输出的S3、S4和S5上分别先生成P3、P4和P5后，在P5的基础上通过一个卷积核大小为3x3步距为2的卷积层得到P6，最后在P6的基础上再通过一个卷积核大小为3x3步距为2的卷积层得到P7； 14在检测分类前需要设置损失函数，损失函数共有三个输出分支：分类、回归和中心度；故损失由分类损失Lcls、定位损失Lreg以及中心度损失Lctrness三部分共同组成，计算方法如下面公式所示： px，y表示在特征图x，y点处预测的每个类别的分数，表示在特征图x，y点对应的真实类别标签,值当特征图x，y点被匹配为正样本时为1,否则为0，tx,y表示在特征图x，y点处预测的目标边界框信息,表示在特征图x,y点对应的真实目标边界框信息,sx,y表示在特征图x，y点处预测的中心度，表示在特征图x，y点对应的真实中心度； 15将步骤13得到的P3～P7输送到检测头，P3～P7共用一个检测头，检测头共有三个细分的分支：Classification、Regression和Center-ness，其中Regression和Center-ness是同一个分支上的两个不同小分支，Classification、Regression和Center-ness分支都会先通过4个Conv2d+GN+ReLU的组合模块，然后再通过一个卷积核大小为3x3步距为1的卷积层得到最终的预测结果。

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桂林电子科技大学，其通讯地址为：541004 广西壮族自治区桂林市七星区金鸡路1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。