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！

龙图腾网获悉北京航空航天大学杭州创新研究院申请的专利SAR图像舰船目标实例分割训练方法、系统及装置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：CN115049923B 。

龙图腾网通过国家知识产权局官网在2025-12-16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：202210605434.9，技术领域涉及：G06V20/10；该发明授权SAR图像舰船目标实例分割训练方法、系统及装置是由高飞;霍熠阳;孙进平;罗喜伶;许小剑设计研发完成，并于2022-05-30向国家知识产权局提交的专利申请。

本SAR图像舰船目标实例分割训练方法、系统及装置在说明书摘要公布了：本发明公开了一种无锚框SAR图像舰船目标实例分割训练方法、系统及装置，包括，S1、将训练集中的一张SAR图像输入深层卷积神经网络提取高分辨率特征图；S2、将高分辨率特征图输入无锚框预测器得到目标中心点，将每个中心点回归一组参数作为动态掩膜头的卷积核参数，将卷积核参数赋给卷积组，得到实例分割结果图；S3、使用质心距离加权的损失函数指导深层卷积神经网络回归；S4、执行步骤S1到S3，直至所有训练集图像处理结束，确定网络参数，完成目标实例分割训练。本发明可更加灵活地表示目标信息，方法的计算效率优于传统先检测后分割的方法；加权后的损失函数可对训练过程中目标位置关系进行区分，有效指导网络回归。

本发明授权SAR图像舰船目标实例分割训练方法、系统及装置在权利要求书中公布了：1.一种无锚框SAR图像舰船目标实例分割训练方法，其特征在于，包括： S1、将训练集中的一张SAR图像输入深层卷积神经网络提取高分辨率特征图； S2、将高分辨率特征图输入无锚框预测器得到目标中心点，将每个中心点回归一组参数作为动态掩膜头的卷积核参数，将卷积核参数赋给卷积组，得到实例分割结果图； S3、使用质心距离加权的损失函数指导深层卷积神经网络回归，具体包括： 将最大池化层输出的图像生成相对坐标图，并在通道的维度上与高分辨率特征图叠加，得到一个10维的特征图，相对坐标图共有2个通道，上每个点的值分别表示10维的特征图上每个点距实例中心在x和y方向上的距离； 将K组实例分割卷积组分别应用于10维的特征图，得到K个目标的实例分割概率图，将分割概率图二值化后得到二值化实例分割结果图，二值化公式如下： ； 其中，threshold为二值化阈值，设置为0.5；是预测图Fpred中x,y位置的预测值，在二值化预测图Fbin中x,y位置的数值； 对每个目标的二值化实例分割结果图和掩膜真值图通过格点图计算质心坐标； 利用格点图计算掩膜真值图和二值化实例分割结果图中舰船目标的质心坐标，具体过程如下： ； 其中，为实例分割结果图中的目标质心坐标，为真值图中目标的质心坐标，为实例分割结果图中位置的横纵坐标；为真值图中位置的横纵坐标；和分别为两幅格点图在的元素值，预测舰船目标和真值之间的质心距离和归一化质心距离表示为： ； 在得到归一化质心距离后，进一步获取预测目标和真实目标的中心区域，并使用中心区域的重叠程度来加权损失函数，通过腐蚀算法来逐步削减船的轮廓，获取舰船目标的中心区域，所述算法需要给定腐蚀执行次数，单次腐蚀流程表示为： ； ； ； 其中，表示二值化的实例分割结果图，表示二维最小池化，表示二维最大池化；在每次腐蚀过程中，首先通过一次最小池化和最大池化得到舰船目标当前的轮廓，然后通过实例分割结果图和轮廓图作差保留当前目标的中心区域并作为下次腐蚀过程的输入；经过多次连续腐蚀，逐步用更小的区域来表征船的几何形状和位置； 腐蚀后的二值化预测舰船图和真实舰船图用和表示，预测目标与真实目标的重叠程度用两者的交集并集比IoU来表示： ； 实例分割的精度使用IoU为评价指标，对于目标X和Y，IoUloss表示为： ； 在分子分母中同时加入常数“1”来避免分母为0情况的发生，同时减少过拟合，对于包含N个舰船目标的预测舰船图和真实舰船图，用于预测掩膜和真实掩膜误差计算，质心相对距离和中心区域重叠程度两部分加权的损失函数表示为： 其中，和是两部分加权权重，是第个预测舰船目标与真实舰船目标的质心距离，作为掩膜生成分支的损失函数，与中心点预测分支的损失函数，中心点偏置回归分支损失函数一起指导网络的回归，和的计算过程可表示为： ； ； 其中，和为的超参数，N代表单张图片中目标个数，由于特征图与原图之间存在4倍的降采样，预测出的中心点坐标和原图中对应中心位置存在一定的离散误差，和分别为中心点偏置回归分支预测的第k个舰船的中心点偏差，和分别为原图中对应舰船中心点横纵坐标，为降采样率，和是预测舰船中心点的横纵坐标，基于中心点的无锚框的实例分割预测器总的损失函数为以上三部分损失函数的加权和，表示为： ； 其中，，和是损失函数中的超参数，设置，，使得各部分损失统一到同一个数量级，保证训练过程中损失函数的三个分量有相同的收敛速度； S4、执行步骤S1到S3，直至所有训练集图像处理结束，确定网络参数，完成目标实例分割训练。

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北京航空航天大学杭州创新研究院，其通讯地址为：310052 浙江省杭州市滨江区创慧街18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。