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！

龙图腾网获悉华中科技大学申请的专利基于仿生记忆链解决目标遮挡的端到端视频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：CN118918311B 。

龙图腾网通过国家知识产权局官网在2025-10-17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：202410933365.3，技术领域涉及：G06F30/27；该发明授权基于仿生记忆链解决目标遮挡的端到端视频目标检测方法是由王兴刚;徐子扬;吴连俊;郭嘉豪;刘文予设计研发完成，并于2024-07-12向国家知识产权局提交的专利申请。

本基于仿生记忆链解决目标遮挡的端到端视频目标检测方法在说明书摘要公布了：本发明涉及计算机视觉技术领域，提供了一种基于仿生记忆链解决目标遮挡的端到端视频目标检测方法。方法包括：对原始视频数据集中所有图像的感兴趣类别的目标进行实例级别的标注，得到带标注的标准训练数据集；定义基于仿生记忆链和遮挡目标实例监督的端到端视频目标检测算法模型；根据所述带标注的标准训练数据集，利用反向传播和梯度下降算法训练模型；利用训练好的模型对待检测视频进行视频目标检测。本发明更高效的融合包括当前帧与所有历史帧在内的时序特征，并且进行端到端的训练，训练速度较快，还可表征所有历史帧信息，并根据历史帧与当前帧的相关性和时间接近度来自适应地加权记忆，对被遮挡的目标具有强鲁棒性。

本发明授权基于仿生记忆链解决目标遮挡的端到端视频目标检测方法在权利要求书中公布了：1.一种基于仿生记忆链解决目标遮挡的端到端视频目标检测方法，其特征在于，包括： 对原始视频数据集中所有图像的感兴趣类别的目标进行实例级别的标注，标签为实例级别的包围框的左上及右下顶点和实例对应的目标类别，得到带标注的标准训练数据集；其中，所述实例级别的标注包括对局部遮挡的目标进行标注； 定义基于仿生记忆链和遮挡目标实例监督的端到端视频目标检测算法模型；根据所述带标注的标准训练数据集，计算预测标签，并设计损失函数，利用反向传播和梯度下降算法训练该基于仿生记忆链和遮挡目标实例监督的端到端视频目标检测算法模型； 利用训练好的模型对待检测视频进行视频目标检测； 所述定义基于仿生记忆链和遮挡目标实例监督的端到端视频目标检测算法模型，具体包括： 所述基于仿生记忆链和遮挡目标实例监督的端到端视频目标检测算法模型包括特征金字塔结构网络、跨尺度编码器、仿生记忆链、记忆缓存器、记忆解码器和检测头；其中，所述检测头包括边框回归网络和类别判别网络； 所述特征金字塔结构网络以HGNetV2-L网络为基础网络，通过在训练时冻结批量归一化层与第1层的所有卷积参数，对第{1,2,3,4,5}层分别配置{0,0.05,0.05,0.05,0.05}的学习率，输出第{3,4,5}层的特征得到多尺度特征；其中，所述多尺度特征包括三层不同尺度的特征； 所述跨尺度编码器对特征金字塔网络输出的三层不同尺度的特征分别使用自注意力计算得到尺度内交互特征{I1，I2，I3}，并通过三层连续的组合操作，计算得到跨尺度融合特征作为输出；其中，所述组合操作包括：卷积与激活函数、批量归一化、矩阵加法和串联连接； 所述仿生记忆链由当前帧特征、上一帧特征、强印象、碎片记忆四个部分以1:1:1:1的通道比例串联组成，以跨尺度融合特征作为输入，同时从记忆缓存器中读取上一帧时写入的记忆信息作为输入，通过定义的关注、复述、传递、增强与检索操作计算得到四个部分对应的特征，并将该四部分特征串联为特征链，最终将特征链作为输出的同时写入记忆缓存器用于下一帧时的记忆更新； 所述记忆缓存器缓存不同帧时仿生记忆链的记忆信息，提供读取与写入操作，用于仿生记忆链的记忆更新；其中，所述记忆信息即特征链； 所述记忆解码器对仿生记忆链输出的特征链使用头数为8的多头交叉注意力计算得到跨尺度时序融合特征； 所述检测头对跨尺度时序融合特征以边框回归网络预测得到感兴趣实例的包围框，对跨尺度时序融合特征以类别判别网络得到感兴趣实例的类别判别； 算法模型总共包含6个检测任务头，在6个检测任务头完成实例的检测之后，得到算法模型最终的预测结果； 其中，所述仿生记忆链由当前帧特征、上一帧特征、强印象、碎片记忆四个部分以1:1:1:1的通道比例串联组成，即： 其中，BMC代表仿生记忆链，C代表当前帧特征，P代表上一帧特征，S代表强印象，F代表碎片记忆；上一帧特征与当前帧特征为记忆链中浅层部分，用于构建短期记忆；碎片记忆与强印象为记忆链中深层部分，用于构建长期记忆。

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华中科技大学，其通讯地址为：430074 湖北省武汉市洪山区珞喻路1037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。