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！

龙图腾网获悉重庆理工大学申请的专利基于边界适应的无人机视角文本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：CN119478744B 。

龙图腾网通过国家知识产权局官网在2026-01-06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：202411609857.3，技术领域涉及：G06V20/17；该发明授权基于边界适应的无人机视角文本检测方法是由刘俊;张建勋设计研发完成，并于2024-11-12向国家知识产权局提交的专利申请。

本基于边界适应的无人机视角文本检测方法在说明书摘要公布了：本发明涉及无人机视角文本检测技术领域，公开了一种基于边界适应的无人机视角文本检测模型，首先，使用ResNet50作为主干网络，并提出混合文本注意力机制，且将其引入到特征提取模块中，以增强对文本区域的感知能力。此外，本发明提出一种空间特征融合模块，用于自适应融合不同尺度的文本特征，从而增强模型的适应性。最后，本发明通过在文本细节边界迭代优化模块的Transformer中引入局部特征提取器，实现了复杂背景干扰下的文本边界精确优化和定位，避免了复杂的后处理步骤。在具有挑战性的文本检测数据集以及基于无人机的文本检测数据集上的大量实验验证了我们提出的方法的高鲁棒性和先进的性能，为实际应用奠定了坚实基础。

本发明授权基于边界适应的无人机视角文本检测方法在权利要求书中公布了：1.一种基于边界适应的无人机视角文本检测方法，其特征在于，该方法包括以下步骤： S1、利用混合文本注意力机制提取图像特征：混合文本注意力机制用于强化特征提取阶段对文本区域的感知能力，所述混合文本注意力机制分为通道注意力机制和空间注意力机制两个部分，以减少视角变化、光照阴影和遮挡引起的检测漏失；所述通道注意力机制引入了一种通道注意力聚合机制：通过对输入特征图进行最大池化操作，提取与文本边界相关的详细纹理特征，从而增强对文本边界的感知；同时，采用平均池化捕获图像区域的整体信息，便于理解整体图像结构和背景，这些都是与目标相关的上下文特征；因此，这两种处理方法同时应用于输入特征图；处理后，两个生成的特征图被连接起来，通过将平均池化特征与最大池化特征合并，聚合特征图的空间信息；所述通道注意力机制还引入了一种局部跨通道交互策略和自适应的一维卷积结构，以实现更全面的跨通道信息交换，通过网络学习，获得与特征图上不同通道对应的不同权重，从而提供沿通道维度的更精确的注意力信息，A-ECA的计算公式如下： ， 在公式2中，表示sigmoid函数，表示平均池化，表示最大池化，表示包含个参数的一维卷积； S2、通过空间特征融合模块融合多尺度特征：空间特征融合模块用于自适应融合不同尺度的文本特征，用于有效整合低级语义和高级语义的输出特征，从而增强特征的表征能力，丰富语义信息，最终提高模型对图像内容的理解和对不同尺度文本的感知；空间特征融合模块接受两个输入：一个是低级特征，另一个是高级特征，这两部分特征先进行拼接，然后通过卷积操作和激活函数处理；接着，使用空间注意机制来捕捉不同区域之间的相关性，从而在复杂的自然场景中有效区分文本区域和背景信息；计算公式如下： ， ， 在公式中，concat表示拼接操作；Conv表示3×3卷积操作；Spatialattention指空间注意模块； S3、使用文本细节变换器迭代优化文本边界，以提高检测的准确性：文本细节变换器具有残差连接，包括并行的局部特征提取器、全局特征提取器，和一个多层感知机网络，用于优化文本边界的迭代细化过程；首先，输入特征沿通道维度进行拆分，然后将拆分后的组件分别送入局部特征提取器LFE和全局特征提取器；在这里，高频混合器由分组卷积操作和1×1卷积操作组成，而全局特征提取器则通过多头注意机制实现；对于输入特征图，它沿通道维度被分解为和；局部特征提取器和全局特征提取器的公式如下： ， ， 在公式中，表示3×3的分组卷积，Conv表示1×1的卷积，MSA指的是变换器中的多头自注意机制。

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重庆理工大学，其通讯地址为：400054 重庆市巴南区红光大道69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。