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！

龙图腾网获悉济南大学申请的专利一种基于分组卷积注意力网络的多尺度检测优化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：CN119068355B 。

龙图腾网通过国家知识产权局官网在2025-09-26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：202411269948.7，技术领域涉及：G06V20/13；该发明授权一种基于分组卷积注意力网络的多尺度检测优化方法是由徐涛;张瀚;杨晓晖;陈伟平;臧俊源设计研发完成，并于2024-09-11向国家知识产权局提交的专利申请。

本一种基于分组卷积注意力网络的多尺度检测优化方法在说明书摘要公布了：本申请公开了一种基于分组卷积注意力网络的多尺度检测优化方法及系统。其实现方法的实现步骤为：构造分组卷积注意力网络模块；将分组卷积注意力网络模块引入到一般的基于卷积神经网络的物体检测模型中；划分物体检测数据集；对数据集中的图像进行预测处理；使用训练数据用物体检测模型和分组卷积注意力网络模块进行协同训练；将验证数据送入到检测模型进行检测；得到检测结果；本发明利用构建的分组卷积注意力网络模块和一般的基于深度卷积神经网络的物体检测模型进行协同训练，用来增强检测模型的特征提取网络来用于多尺度物体检测，在不增加计算代价的同时提高了物体检测精度。

本发明授权一种基于分组卷积注意力网络的多尺度检测优化方法在权利要求书中公布了：1.一种基于分组卷积注意力网络的多尺度检测优化方法，其特征在于，所述方法包括： 利用分组卷积注意力网络模块和物体检测模型进行协同训练，来增强检测模型的特征提取网络，提高检测的精度，该方法的具体步骤包括如下： 步骤1，构建分组卷积注意力网络模块： 构建一个由特征分组模块和注意力提取模块的分组卷积注意力网络模块，其中特征分组模块的结构依次为：1×1卷积→BN层→分组卷积块；其中分组卷积块的结构是通过普通卷积层将输出通道设置为输入通道的18并且每个卷积块设置独自的分组数； 其中注意力提取模块的结构依次为：扩张通道注意力块→特征拼接层→softmax层；其中扩张通道注意力块的结构为：relu函数→1×1卷积→3×3卷积→ECA模块；ECA模块由全局平均池化和一维卷积构成；特征拼接层将从扩张通道注意力模块得到的注意力权重进行拼接； 再之后将特征分组模块得到的特征拼接后与在注意力提取模块得到的注意力权重融合，在得到的特征后跟bn层和relu激活函数； 步骤2，将分组卷积注意力网络模块引入到一般的基于卷积神经网络的物体检测模型中： 将构建好的分组卷积注意力网络模块引入到物体检测模型的骨干网络中，使其放置在骨干网络中的三个不同的stage后，将得到的特征与原特征融合； 步骤3，划分物体检测数据集： 选取一些标注好的光学遥感图像，图像长宽不限（每个batch会对图像做预处理，将batch内图像缩放，然后填补成统一大小的图像），如果数据集类别多难训练则需要的图像要多，简单的数据集可以用1000+图像即可，然后将80%的图像组成训练集，将20%的图像组成验证集和测试集； 步骤4，对数据集中的图像进行预测处理： 首先，对每个mini-batch中的数据进行50%的概率的水平翻转，然后对每个mini-batch中的图像固定长宽的比例，对长进行缩放至400-600大小32的整数倍，然后将宽填补至400-600大小32的整数倍； 步骤5，使用训练数据用物体检测模型和解码器进行协同训练： 第一步，将预处理的数据输入到骨干网络（resnet50或cspnext等）中进行特征提取，生成特征图C3、C4、C5； 第二步，将特征图送入到物体检测的检测头（YOLO检测头或FastR-CNN检测头等）进行类别和边界框的预测，然后和真实标签计算交叉熵损失和边界框损失； 第三步，将第一步生成的特征图C3、C4、C5送入到分组卷积注意力网络模块进行特征分组模块、注意力提取模块和特征融合，然后输出和图像预处理后一样大小的特征图，然后计算预处理后的图像和特征图之间的均方差损失函数； 第四步，将第二步和第三步的损失函数同时回传更新整个网络结构； 步骤6，将验证数据送入到检测模型进行检测： 第一步，将预处理的数据输入到骨干网络中进行特征提取，生成特征图C3、C4、C5； 第二步，将特征图C3、C4、C5送入到物体检测的检测头进行类别和边界框的预测，然后经过非最大值抑制（NMS）处理生成检测结果； 步骤7，得到检测结果： 将步骤6得到检测结果映射到原图的相应位置并标注预测的类别信息。

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济南大学，其通讯地址为：250024 山东省济南市市中区南辛庄西路336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。