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！

龙图腾网获悉斯特拉德视觉公司申请的专利训练和测试检测图像上对象的对象检测网络的方法及设备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：CN115769229B 。

龙图腾网通过国家知识产权局官网在2025-12-12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：202080100023.3，技术领域涉及：G06V10/82；该发明授权训练和测试检测图像上对象的对象检测网络的方法及设备是由柳宇宙;诸泓模;康凤男;金镕重设计研发完成，并于2020-12-24向国家知识产权局提交的专利申请。

本训练和测试检测图像上对象的对象检测网络的方法及设备在说明书摘要公布了：本申请提供了一种通过利用注意力图来训练对象检测网络的方法。所述方法包括以下步骤：a设备上学习设备将训练图像输入到特征提取网络，将特征提取网络的输出输入到注意力网络和拼接层，并将注意力网络的输出输入到所述拼接层；b所述设备上学习设备将所述拼接层的输出输入到区域候选网络和ROI池化层，将所述区域候选网络的输出输入到二进制转换器和所述ROI池化层，并将所述ROI池化层的输出输入到检测网络，从而输出对象检测数据；以及c所述设备上学习设备通过反向传播使用对象检测损失、区域候选网络损失和交叉熵损失来训练所述特征提取网络、所述检测网络、所述区域候选网络和所述注意力网络中的至少一个。

本发明授权训练和测试检测图像上对象的对象检测网络的方法及设备在权利要求书中公布了：1.一种测试对象检测网络的方法，所述对象检测网络利用注意力图检测图像上的对象，其中，包括以下步骤： a在借助设备上学习设备执行，I将训练图像输入到特征提取网络，以使所述特征提取网络对所述训练图像进行至少一次卷积运算，以此输出训练用特征图；将所述训练用特征图输入到注意力网络，以使注意力网络输出对应于所述训练用特征图的训练用预测图以及与所述训练用特征图的训练用对象密度对应的训练用注意力图；将所述训练用特征图和所述训练用注意力图输入到拼接层，以使所述拼接层拼接所述训练用特征图和所述训练用注意力图，以此输出训练用注意力特征图，II将所述训练用注意力特征图输入到区域候选网络，以使所述区域候选网络输出与所述训练用注意力特征图上的训练用对象对应的训练用候选框；将所述训练用候选框输入到二进制转换器，以使所述二进制转换器将所述候选框更改为二进制图；将所述训练用注意力特征图和所述训练用候选框输入到ROI池化层，以使所述ROI池化层对所述训练用注意力特征图中对应于每个所述训练用候选框的区域进行池化，以此生成训练用池化特征图；将所述训练用池化特征图输入到检测网络，以使所述检测网络对所述训练用池化特征图执行训练操作，以此生成对应于每个所述训练用候选框的训练用对象检测信息，III执行以下过程中的至少一个，通过反向传播对象损失训练所述检测网络和所述特征提取网络中至少一个的过程，其中，所述对象损失通过参考所述训练用对象检测信息和对象真值而生成；通过反向传播RPN损失训练所述区域候选网络的过程，其中，所述RPN损失通过参考所述训练用候选框和RPN真值而生成；通过反向传播交叉熵损失训练所述注意力网络的过程，其中，所述训练用交叉熵损失通过参考所述训练用预测图和所述训练用二进制图而生成，所述训练用二进制图通过对所述训练用候选框进行二值化而生成；在此情况下，当获取测试视频时，测试设备将所述测试视频中对应于当前帧的当前图像输入到所述特征提取网络，以使所述特征提取网络对所述当前图像进行至少一次卷积运算，以此输出当前特征图并将所述当前特征图存储到存储器； b所述测试设备i将存储于所述存储器中的所述测试视频中对应于先前帧的先前图像的先前特征图以及所述当前特征图输入到所述注意力网络，以使所述注意力网络输出对应于所述先前特征图的被更新的先前软预测图、对应于所述当前特征图的当前软预测图和当前预测图、以及所述当前特征图中对应于当前对象密度的当前注意力图，ii将所述当前软预测图存储到所述存储器，iii将所述当前特征图和所述当前注意力图输入到所述拼接层，以使所述拼接层拼接所述当前特征图和所述当前注意力图，以此输出当前注意力特征图，iv将所述当前注意力特征图输入到所述区域候选网络，以使所述区域候选网络输出与所述当前注意力特征图上的当前对象对应的当前候选框，v将当前训练用候选框输入到所述二进制转换器，以使所述二进制转换器将所述当前候选框更改为当前二进制图，vi将所述当前注意力特征图和所述当前候选框输入到所述ROI池化层，以使所述ROI池化层对所述当前注意力特征图中对应于每个所述当前候选框的区域执行池化，以此生成当前池化特征图，vii将所述当前池化特征图输入到所述检测网络，以使所述检测网络对所述当前池化特征图执行训练操作，以此生成对应于每个所述当前候选框的当前对象检测信息；以及 c所述测试设备利用i当前交叉熵损失，其通过参考所述当前预测图和当前二进制图而生成，所述当前二进制图通过对所述当前候选框进行二值化而生成，以及ii蒸馏损失，其通过参考所述被更新的先前软预测图和所述当前软预测图而生成，所述先前图像与存储于所述存储器的所述测试视频中的所述先前帧对应，iii通过反向传播所述当前交叉熵损失和所述蒸馏损失训练所述注意力网络， 在所述b步骤中， 所述测试设备使所述注意力网络对所述当前特征图进行第二卷积运算，以此生成当前第一子特征图；对所述当前第一子特征图进行1×1卷积运算，以此生成当前第二子特征图，其中，所述当前第二子特征图具有与所述当前特征图相同的通道；将sigmoid函数适用于所述当前第二子特征图，以此生成所述当前注意力图， 在所述b步骤中， 所述测试设备使所述注意力网络对所述当前特征图进行所述第二卷积运算，以此生成所述当前第一子特征图；对所述当前第一子特征图进行所述1×1卷积运算，以此生成所述当前第二子特征图，其中，所述当前第二子特征图具有与所述当前特征图相同的通道；将ReLU函数适用于所述当前第二子特征图而生成当前第二特点子特征图；对所述当前第二特点子特征图进行所述1×1卷积运算，以此生成具有一个通道的当前第三子特征图；将sigmoid函数适用于所述当前第三子特征图而生成所述当前预测图， 在所述b步骤中， 所述测试设备使所述注意力网络对每个所述先前特征图和所述当前特征图进行所述第二卷积运算，以此分别生成先前第一子特征图和所述当前第一子特征图；对所述先前第一子特征图和所述当前第一子特征图分别进行所述1×1卷积运算，以此分别生成先前第二子特征图和当前第二子特征图，其中，所述先前第二子特征图具有与所述当前特征图的通道数相同的通道；将ReLU函数分别适用于所述当前第二子特征图和所述先前第二子特征图，以此生成所述当前第二特点子特征图和先前第二特点子特征图；对所述当前第二特点子特征图和先前第二特点子特征图进行所述1×1卷积运算，以此生成具有一个通道数的当前第三子特征图和先前第三子特征图；将软sigmoid函数适用于所述当前第三子特征图和所述先前第三子特征，以此生成所述当前软预测注意力图；将ReLU函数分别适用于所述先前第二子特征图和当前第二子特征图后进行1×1卷积运算，以此分别生成具有一个通道的先前第三子特征图和当前第三子特征图；将sigmoid函数适用于所述当前第三子特征图，以此生成所述当前预测图；将软sigmoid函数分别适用于所述先前第三子特征图和所述当前第三子特征图，以此生成所述当前软预测图和所述被更新的先前软预测图， 所述软sigmoid函数是将输入值除以预设的超参数而所得的值输入到所述sigmoid函数的激活函数。

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斯特拉德视觉公司，其通讯地址为：韩国庆尚北道；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。