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！

龙图腾网获悉郑州轻工业大学申请的专利基于多尺度图像切割和实例困难度的弱监督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：CN116977859B 。

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：202310996136.1，技术领域涉及：G06V20/10；该发明授权基于多尺度图像切割和实例困难度的弱监督目标检测方法是由钱晓亮;李洋;王晨好;王慰;曾黎;岳伟超;任航丽;刘向龙;王芳;刘玉翠;吴青娥;张秋闻设计研发完成，并于2023-08-09向国家知识产权局提交的专利申请。

本基于多尺度图像切割和实例困难度的弱监督目标检测方法在说明书摘要公布了：本发明提出了一种基于多尺度图像切割和实例困难度的弱监督目标检测方法，步骤为：对输入图像进行多尺度切割送入共享的主干网络进行特征提取得到特征图；将目标候选框投影到特征图得到目标候选框的特征矩阵；将特征矩阵经过全连接层得到各个切割尺度下的特征向量，将特征向量输入基准弱监督目标检测模块得到得分矩阵并获取类别置信得分矩阵；将特征向量分别送入多个实例分类优化分支得到类别置信度得分并确定正实例；根据目标候选框在背景类别上的最高类别置信得分得到难负例；进行训练得到弱监督目标检测模型；将待检测图像送入弱监督目标检测模型获得目标的类别和位置。本发明可以有效地提升高分辨率遥感图像弱监督目标检测的检测精度。

本发明授权基于多尺度图像切割和实例困难度的弱监督目标检测方法在权利要求书中公布了：1.一种基于多尺度图像切割和实例困难度的弱监督目标检测方法，其特征在于，其步骤如下： 步骤一：基于多尺度图像切割的特征增强：对输入图像进行多尺度的切割，将输入图像和随机选择的至少2个分割尺度下对应的图像块分别送入共享的主干网络进行特征提取并按照空间位置关系拼接得到各个切割尺度下的特征图；根据输入图像得到多个目标候选框，将目标候选框投影到各个切割尺度下的特征图上执行感兴趣区域池化操作得到目标候选框在各个切割尺度下的特征矩阵，根据目标候选框在各个切割尺度下的特征矩阵获取所有正实例在各个切割尺度下的特征图上的最大空间注意力图，得到基于多尺度图像切割的特征增强模块的损失函数，对基于多尺度图像切割的特征增强模块进行训练； 步骤二：将目标候选框在各个切割尺度下的特征矩阵经过两个全连接层得到目标候选框在各个切割尺度下的特征向量，将特征向量输入基准弱监督目标检测模块得到类别置信得分矩阵，根据类别置信得分矩阵得到切割尺度下各个类别的预测得分，计算基准弱监督目标检测模块的损失函数，对基准弱监督目标检测模块进行训练； 步骤三：将步骤二得到的特征向量分别送入多个实例分类优化分支得到目标候选框在各个切割尺度下的类别置信度得分，并利用类别置信度得分确定正实例集合； 步骤四：根据目标候选框在图像中不存在的类别中的最高类别置信得分得到目标候选框的难负例集合，计算目标候选框在各个切割尺度下的实例困难度得分作为损失函数的权重，计算多个实例分类优化分支的损失函数，对多个实例分类优化分支进行训练； 判断目标候选框pr是否属于难负例的方法为：在第n个切割尺度下的第k个实例分类优化分支中，标记目标候选框pr在C+1个类别上的最高类别置信得分为若j≤C且且yj＝0，则目标候选框pr为难负例；其中，j代表目标候选框pr取得最高类别置信得分的类别，yj表示目标候选框pr在类别j上的伪标签；为第k个实例分类优化分支中得到的类别置信度得分； K个实例分类优化分支的损失函数 第k个实例分类优化分支的损失函数 第k个实例分类优化分支在第n个切割尺度下的损失函数： 其中，N是切割尺度的总数；表示类别置信度得分中的第c个元素，代表目标候选框pr的权重，为第k个实例分类优化分支的实例级伪标签；为目标候选框pr在第k个实例分类优化分支和第n个切割尺度下的实例困难度得分，且： 其中，Rhn表示所有难负例的集合，Ro表示除难负例以外其它所有目标候选框的集合，h代表目标候选框pr的真实类别，表示类别置信度得分中的第h个元素； 步骤五：循环步骤一至步骤四在数据集中训练弱监督目标检测模型；将待检测图像送入训练后的弱监督目标检测模型获得图像中感兴趣目标的类别和位置。

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郑州轻工业大学，其通讯地址为：450000 河南省郑州市高新技术产业开发区科学大道136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。