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基于空间解耦与边界特征聚合的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：CN116758264B 。

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：202310695970.7，技术领域涉及：G06V10/22；该发明授权基于空间解耦与边界特征聚合的目标检测方法是由殷昱煜;王赫;张新;周丽;梁婷婷设计研发完成，并于2023-06-13向国家知识产权局提交的专利申请。

本基于空间解耦与边界特征聚合的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空间解耦与边界特征聚合的目标检测方法，包括：显著依赖关系补充模块；空间敏感区域感知模块；边界特征聚合模块。本发明首先在不同的任务分支上使用空间敏感区感知模块预测出各自分支的空间敏感区域。由于分类分支更多关注显著性区域，所以通过显著依赖关系补充模块，能够更快速地将分类任务的空间敏感区域调整到显著性区域。在预测的空间敏感区域基础上，通过边界特征聚合模块为每一个锚点补充足够的边界特征用于精准预测分类与定位的分数。基于上述模块本发明提出了更好的任务对齐网络，它可以用最小的预测负担快速准确地实现空间解耦，再从各自的任务空间敏感区域聚合足够的边界信息到锚点中，对齐任务预测结果。

本发明授权基于空间解耦与边界特征聚合的目标检测方法在权利要求书中公布了：1.基于空间解耦与边界特征聚合的目标检测方法，其特征在于包括如下步骤： 步骤1.将FPN的每一层的特征映射输入到分类塔与回归塔得到分类塔的第3层特征图Fc、回归塔的第3层特征图Fr1以及回归塔的第4层特征图Fr； 其中分类塔包含3个带有ReLU激活的3×3卷积层，回归塔包含4个带有ReLU激活的3×3卷积层； 步骤2.将Fr作为输入，通过3×3卷积生成初始边界框Bc； 步骤3.将Fc输入到显著依赖关系补充模块Sre；该模块会经过三部分处理分别是上下文模块、特征转换模块以及融合模块，得到包含与全局显著性特征的依赖关系的特征图Fs；计算公式为： Fs＝SreFc 步骤4.将初始边界框Bc与Fs输入到空间敏感区域感知模块Sarea；该模块会将Fs作为输入生成感知缩放因子，然后将其与初始边界框Bc相乘得到调整后的边界框Bc_adjust，其中它的四条边界即为分类分支的空间敏感区域；计算公式为： Bc_adjust＝SareaBc,Fs 步骤5.在回归分支中，将初始边界框Bc与特征图Fr1输入到边界特征聚合模块；该模块由边界补充特征聚合模块Gsup和边界代表特征聚合模块Gdep构成；Gdep采用边界对齐模块，将Bc与Fr1输入到该模块生成包含边界代表信息的特征图；Gsup采用星形边界框特征表示模块，将Bc与Fr1输入到该模块生成包含边界信息以及几何形状信息的特征图；最后，将两个模块生成的特征图相加得到包含边界信息的特征图Fr_border；计算公式为： Fr_border＝GsupBc,Fr1+GdepBc,Fr1 步骤6.为了将分类与定位任务对齐，在分类分支也使用了步骤5的边界特征聚合模块；将调整后的边界框Bc_adjust与特征图Fc输入到该模块中，生成特征图Fc_border；计算公式为： Fc_border＝GsupBc_adjust,Fc+GdepBc_adjust,Fc 步骤7.在回归分支中，将Fr_border作为输入，通过1×1卷积层生成针对初始边界框的调整缩放因子特征图Fscale；然后将Fscale与Bc相乘得到精准边界框Bref；在分类分支中将Fc_border作为输入，通过1×1卷积层生成分类分数C； 步骤8.计算损失，并对整体网络进行优化。

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。