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！

龙图腾网获悉山西大学申请的专利一种面向复杂场景基于浅层特征增强的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：CN116645577B 。

龙图腾网通过国家知识产权局官网在2025-12-30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：202310451939.9，技术领域涉及：G06V10/80；该发明授权一种面向复杂场景基于浅层特征增强的小目标检测方法是由白鹤翔;杨民虎设计研发完成，并于2023-04-24向国家知识产权局提交的专利申请。

本一种面向复杂场景基于浅层特征增强的小目标检测方法在说明书摘要公布了：本发明涉及图像处理技术领域，具体涉及一种面向复杂场景基于浅层特征增强的小目标检测方法，主要解决了现有检测方法识别小目标困难、模型复杂度高等问题。本发明首先将注意力模块直接添加到主干网络输出层的后面，用来过滤冗余信息并选择具有代表性的原始浅层特征。接下来，利用跨级部分连接的思想减轻了模型的计算负担。然后，在特征融合部分使用浅层特征检测头代替深层特征检测头，提取更多浅层特征的同时减少了模型的参数量。最后，在训练阶段使用SIoU损失函数加快模型的收敛速度。本发明的优点在于不增加原模型参数量的情况下就能提高其对小目标的检测精度。

本发明授权一种面向复杂场景基于浅层特征增强的小目标检测方法在权利要求书中公布了：1.一种面向复杂场景基于浅层特征增强的小目标检测方法，其特征在于，所述方法包括以下步骤： 步骤A：获取复杂场景下的小目标图像，并划分为训练集与测试集，然后加载模型，并对相关参数进行初始化； 步骤B：对训练集样本中的每一幅图像进行预处理，并将预处理后的图像加载到模型中； 步骤C：在模型骨干网络中进行图像特征的提取，并将提取后的特征送入到特征融合部分进行多尺度融合； 步骤D：根据融合后的特征，计算出模型的损失函数，然后最小化损失函数，通过梯度下降算法更新模型的参数； 步骤E：训练完保存最优的模型参数权重，用于后续模型的测试； 步骤F：对测试集的图像进行预测，根据步骤E训练好的模型参数权重，预测出目标的位置与类别，然后通过非极大值抑制得到最终的预测结果； 其中，步骤C所述在模型骨干网络中进行图像特征的提取，并将提取后的特征送入到特征融合部分进行多尺度融合具体为： 步骤C1、将步骤B所述预处理后的样本图像作为骨干网络的输入，在骨干网络每个输出层的后面添加注意力模块：该注意力模块由输入、通道注意力模块、空间注意力模块和输出组成，假设输入特征图为，然后经过通道注意力模块后产生特征图，将结果与输入特征图相乘形成输出特征图，再将作为输入经过空间注意力模块后产生特征图，最终将结果与输入特征图相乘形成最后的输出特征图，其中表示元素级相乘；通道注意力模块更加关注输入图像中的类别信息，空间注意力模块更加关注输入图像中的位置信息，两种模块相结合能够改变原始特征通道的权重信息，从而增强有效特征并抑制无效特征；此外，在骨干网络而不是特征融合部分加入注意力模块可以进一步减少模型的参数，因为特征融合部分包含的参数比骨干网络的更多； 步骤C2、将原始SPPF模块分为两个部分来减轻计算负担：第一部分使用原始的SPPF模块进行处理，在多个尺度上提取更多的隐藏特征，第二部分只使用一个卷积模块进行处理，最后将这两个部分的输出连接在一起，并传递到特征融合部分； 步骤C3、将骨干网络提取到的特征进行多尺度融合：在特征融合部分中，去掉了PANet中最大尺度的检测头，同时添加了一个小尺度的检测头，这有效地从图像中提取了更丰富的浅层信息，并减少了由附加检测头增加的额外参数；融合过程具体如下：首先，骨干网络第二层到第五层输出的精细特征被传递到SPAN特征金字塔中；接下来，在这个特征金字塔中，使用转置卷积对大尺度特征图进行上采样，并与旁边的小尺度特征图进行连接；然后，使用GSConv对小尺度特征图进行下采样，并与其旁边的大尺度特征图进行连接；最后，将下采样过程中融合后的特征传递到检测头进行预测。

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山西大学，其通讯地址为：030000 山西省太原市小店区坞城路92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。