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！

龙图腾网获悉合肥工业大学申请的专利一种基于注意力机制的多特征融合海面小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：CN119620026B 。

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：202411771013.9，技术领域涉及：G01S7/41；该发明授权一种基于注意力机制的多特征融合海面小目标检测方法是由齐美彬;裴跃;项厚宏;李坤袁;刘一敏设计研发完成，并于2024-12-04向国家知识产权局提交的专利申请。

本一种基于注意力机制的多特征融合海面小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注意力机制的多特征融合海面小目标检测方法，包括：1、对雷达回波数据进行预处理，得到包含丰富特征的联合特征序列；2、构建基于注意力机制的多特征融合网络模型，包括：特征提取模块、注意力机制模块、特征聚合模块、目标检测模块，并对联合特征序列进行处理，得到二元概率矩阵序列；3、利用焦点损失函数计算损失，对网络模型进行训练，得到最优目标检测模型。本发明通过多尺度特征提取、注意力机制和特征融合，有效提高了雷达弱小目标的检测精度，适用于复杂背景和低信噪比环境中的目标检测需求。

本发明授权一种基于注意力机制的多特征融合海面小目标检测方法在权利要求书中公布了：1.一种基于注意力机制的多特征融合海面小目标检测方法，其特征在于，是按如下步骤进行： 步骤1、对雷达回波数据序列进行预处理操作，得到联合特征序列；其中，表示第k通道中第i个脉冲在第j个距离单元的联合特征，N表示脉冲数，M表示距离单元数； 步骤2、构建基于注意力机制的多特征融合网络，包括：特征提取模块、注意力机制模块、特征聚合模块、目标检测模块； 步骤2.1、所述特征提取模块对进行多层次、多尺度的特征提取，相应得到初级特征，中级特征，高级特征； 步骤2.2、所述注意力机制模块对，，分别进行注意力加权后，相应得到增强后的初级特征，增强后的中级特征，增强后的高级特征； 步骤2.2.1、利用注意力机制模块对进行注意力加权后，得到增强后的初级特征={|}；其中，表示第k通道中第i个脉冲在第j个距离单元的增强后的初级特征； 步骤2.2.1.1、对进行平均池化操作，改变其形状后，得到查询特征序列={}和关键特征序列，其中，表示第i个脉冲在第j个距离单元的查询特征，表示第通道中第i个脉冲的关键特征； 步骤2.2.1.2、利用式1生成注意力权重矩阵={}，其中，表示第k通道第i个脉冲第j个距离单元的注意力权重矩阵； 1 式1中，表示激活函数；T表示转置， 步骤2.2.1.3、对施加权重矩阵后，得到增强后的初级特征={|}； 步骤2.2.2、按照步骤2.2.1的过程对进行注意力加权后，得到增强后的中级特征={|}，其中，表示第通道中第i个脉冲在第j个距离单元的增强后的中级特征； 步骤2.2.3、按照步骤2.2.1的过程对进行注意力加权后，得到增强后的高级特征={|}；其中，表示第通道中第i个脉冲在第j个距离单元的增强后的高级特征； 步骤2.3、构建特征聚合模块包含：局部特征子模块和全局特征子模块，并用于对，，进行特征聚合和融合处理，得到联合特征序列； 步骤2.3.1、特征聚合模块对进行处理，得到全局初级特征={}；其中，表示第通道中第i个脉冲在第j个距离单元的全局初级特征； 步骤2.3.1.1、局部特征子模块对通过多次卷积操作并压缩其脉冲维度后，得到局部初级特征={}，其中，表示第通道中第个脉冲在第j个距离单元的局部初级特征，表示压过压缩后的脉冲数； 步骤2.3.1.2、全局特征子模块对转置，并通过多次卷积操作然后，再次进行转置操作，以恢复原始形状，得到全局初级特征={}； 步骤2.3.2、按照2.3.1的过程对进行处理后，得到全局中级特征={}，其中，为第通道中第i个脉冲在第j个距离单元的全局中级特征； 步骤2.3.3、按照2.3.1的过程对进行处理后，得到全局高级特征={}，其中，为第通道中第i个脉冲在第j个距离单元的全局高级特征； 步骤2.3.4、对，，在通道维度上进行拼接后，得到联合特征序列={|}，其中，表示第通道中第i个脉冲在第j个距离单元的联合特征，C表示联合特征序列的通道数； 步骤2.4、利用目标检测模块对进行处理，得到包含预测结果的二元概率矩阵序列； 步骤2.4.1、目标检测模块对进行多次卷积操作后，得到目标预测序列，其中，表示第通道中第i个脉冲在第j个距离单元的目标预测值； 步骤2.4.2、将通过softmax激活函数后，得到包含预测结果的二元概率矩阵序列={}，其中，表示第通道中第i个脉冲在第j个距离单元的预测概率；当k=1时，表示第i个脉冲在第j个距离单元的目标预测概率，当k=2，表示第i个脉冲在第j个距离单元的非目标预测概率； 步骤3、构建总损失函数； 步骤3.1、利用式2构建标准交叉熵损失： 2 步骤3.2、利用式3构建交叉熵损失： 3 步骤3.3、利用式4构建总损失函数： 4 式4中，为第j个距离单元的类别权重，为调节因子； 步骤4、通过梯度下降方法对所述多特征融合网络进行训练，并计算以更新网络参数，直至收敛为止，从而得到最优目标检测模型，用于对输入的雷达回波数据进行目标检测。

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合肥工业大学，其通讯地址为：230009 安徽省合肥市包河区屯溪路193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。