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！

龙图腾网获悉西安交通大学申请的专利基于掩模自动生成与混合特征增强的遮挡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：CN119445578B 。

龙图腾网通过国家知识产权局官网在2025-11-07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：202411107097.6，技术领域涉及：G06V20/70；该发明授权基于掩模自动生成与混合特征增强的遮挡目标检测方法是由孙宏滨;李秉帅;汪航;张旭翀设计研发完成，并于2024-08-13向国家知识产权局提交的专利申请。

本基于掩模自动生成与混合特征增强的遮挡目标检测方法在说明书摘要公布了：本发明涉及目标检测技术领域，具体涉及一种基于掩模自动生成与混合特征增强的遮挡目标检测方法，包括：构建遮挡样板库，遮挡样板库中的样本包括语义信息；利用遮挡样板库和掩模自动生成算法，对所述训练集中的图片进行数据预处理，获得预处理后的训练集，训练集包括多个第一图片，预处理后的训练集包括多个第二图片；第一图片与第二图片一一对应；将第一图片和第二图片输入所述第一目标检测模型进行训练，获得第二目标检测模型。本发明通过构建包含语义信息的遮挡样板库，有效解决了已有技术存在的遮挡生成质量不高，缺乏完成语义信息等问题。形成第一图像和第二图像的数据对，利用数据对对第一目标检测模型进行训练，提高模型对通用遮挡目标检测的精度。

本发明授权基于掩模自动生成与混合特征增强的遮挡目标检测方法在权利要求书中公布了：1.一种基于掩模自动生成与混合特征增强的遮挡目标检测方法，其特征在于，包括以下步骤： S100：构建遮挡样板库，所述遮挡样板库中的样本包括语义信息； S200：对数据集进行标注，获得标注后的数据集，将所述标注后的数据集分成训练集、验证集和测试集； S300：利用所述遮挡样板库和掩模自动生成算法，对所述训练集中的图片进行数据预处理，获得预处理后的训练集，所述训练集包括多个第一图片，所述预处理后的训练集包括多个第二图片；所述第一图片与第二图片一一对应； S400：构建基于混合特征增强的第一目标检测模型； S500：将所述第一图片和第二图片输入所述第一目标检测模型进行训练，获得第二目标检测模型； S600：利用所述测试集，对所述第二目标检测模型进行检测，利用检测后的第二目标检测模型进行目标检测； 其中，所述语义信息包括目标类别与遮挡物和被遮挡物的位置关系； 所述遮挡物和被遮挡物的位置关系包括强语义遮挡关系和弱语义遮挡关系； 所述强语义遮挡关系表示遮挡物和被遮挡物的位置关系固定； 所述弱语义遮挡关系表示遮挡物和被遮挡物的位置关系不固定； 所述标注包括目标检测框和目标类别； 所述第一目标检测模型包括主干网络、不可见特征恢复模块和可见特征提取与增强模块； 所述步骤S400中构建基于混合特征增强的第一目标检测模型包括： S401：将所述第一图片输入所述主干网络进行特征提取，获取第一特征； S402：将所述第二图片输入所述主干网络和不可见特征恢复模块进行特征提取，获取第二特征； S403：对所述第一特征和第二特征进行融合处理，获得第三特征； S404：将所述第三特征输入可见特征提取与增强模块进行特征提取，获得第四特征； S405：根据所述第四特征进行目标检测； 所述可见特征提取与增强模块依次包括多尺度感受野可变形卷积子模块、渐进式特征融合网络子模块和上下文语义增强子模块； 所述多尺度感受野可变形卷积子模块包括：一个全局注意力层、若干个不同尺寸的卷积核和一个自适应加权的动态可变形卷积； 所述自适应加权的动态可变形卷积利用以下公式表示： 其中，和分别表示输入特征和输出特征，表示学习到的偏移方向，表示学习到的偏移权重，为卷积核的位置，表示特征图中的点，表示卷积核的权重； 所述渐进式特征融合网络子模块利用以下公式表示： 其中，表示经过多尺度自适应空间融合后的特征，表示由Level到Level的特征向量，表示Level的自适应空间融合系数。

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交通大学，其通讯地址为：710049 陕西省西安市碑林区咸宁西路28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。