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！

龙图腾网获悉西安电子科技大学申请的专利一种基于深度学习的轻量级车辆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：CN115359455B 。

龙图腾网通过国家知识产权局官网在2025-10-14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：202211004182.0，技术领域涉及：G06V20/58；该发明授权一种基于深度学习的轻量级车辆检测方法是由戚玉涛;张浩东;杨锐设计研发完成，并于2022-08-22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车辆检测方法在说明书摘要公布了：一种基于深度学习的轻量级车辆检测方法，针对车辆检测任务，对基于Anchor‑Free的一阶段目标检测算法架构的骨干网络，特征融合层，预测子网络分别进行了轻量化的改进，实现了一种基于深度学习的轻量级车辆检测方法；首先建立了一种轻量级骨干网络ResCSPNet‑Tiny；然后建立了一种轻量级的特征融合网络LPANet；最后采用联合表示的方式建立了一种轻量级的多尺度预测子网络；同时，为了提高算法的对车辆目标的检测能力，在训练期间采用了动态标签分配方法，以及广义的焦点损失函数和广义的交并比损失函数，最后在BDD车辆数据集上的实验结果表明：本发明的SFVD算法的速度能够达到448FPS，mAP能够达到37.1％，速度与精度都优于已有的轻量级检测算法，能够更好地处理驾驶场景下的车辆检测任务。

本发明授权一种基于深度学习的轻量级车辆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车辆检测方法，其特征在于：具体包括以下步骤： 步骤1.输入待检测的车载视频图像数据； 步骤2.将步骤1输入的图像通过包括随机的翻转，亮度增强，对比度增强，饱和度增强，标准化，尺度缩放，拉伸方法进行预处理； 步骤3.将步骤2预处理过的图像输入到轻量级骨干网络ResCSPNet-Tiny的特征提取单元，进行多次下采样特征提取，输出多尺度特征： 第一特征提取单元，用于将输入图像依次经过切片操作、标准卷积层，得到特征图P1； 第二特征提取单元，用于将第一特征提取单元输出的特征图P1经过浅层残差模块和下采样模块，得到特征图P2； 第三特征提取单元，用于将第二特征提取单元输出的特征图P2经过浅层残差模块和下采样模块，得到特征图P3； 第四特征提取单元，用于将第三特征提取单元输出的特征图P3经过跨层级局部模块和下采样模块，得到特征图P4； 第五特征提取单元，用于将第四特征提取单元输出的特征图P4经过跨层级局部模块和下采样模块，得到特征图P5； 步骤4.通过轻量级的路径聚合网络LPANet对步骤3得到的多尺度特征进行融合，并输出融合之后的多尺度特征；具体为：将步骤3中得到的多尺度特征图P3，P4，P5分别通过卷积层，变换通道维度； 构建自上而下的特征融合路径，通过双线性插值的操作来完成对多尺度特征图P4，P5的上采样，通过相加操作来完成不同尺度特征间的融合，得到多尺度特征图H3，H4，H5； 构建自下而上的特征融合路径，通过双线性插值的操作来完成对多尺度特征图H3，H4的下采样，通过相加操作来完成不同尺度特征间的融合，得到多尺度特征图C3，C4，C5； 步骤5.通过多尺度的预测子网络对步骤4得到的多尺度特征进一步处理，得到最终的多尺度预测值，即对多尺度特征图C3，C4，C5依次通过卷积层、批量归一化层、激活函数层和卷积层后，得到最终的多尺度预测值O3，O4，O5； 步骤6.对步骤5得到的多尺度预测值进行解码，得到预测的目标类别得分与位置信息； 步骤7.进行正负样本标签划分，计算获得正负样本的标签；然后通过GFL和GIOU进行损失计算，采用反向传播算法迭代更新模型参数，最终完成算法模型的训练； 步骤8.在算法模型的实际使用阶段，直接将步骤6得到的目标类别得分与位置信息通过NMS处理过后输出车辆检测的结果。

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西安电子科技大学，其通讯地址为：710071 陕西省西安市太白南路2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。