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！

龙图腾网获悉重庆邮电大学申请的专利一种基于知识增强型深度学习的交通场景目标检测方法及系统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：CN116977738B 。

龙图腾网通过国家知识产权局官网在2026-01-09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：202310969375.8，技术领域涉及：G06V10/764；该发明授权一种基于知识增强型深度学习的交通场景目标检测方法及系统是由钟福金;卢展韬;于洪;吴旖旎设计研发完成，并于2023-08-03向国家知识产权局提交的专利申请。

本一种基于知识增强型深度学习的交通场景目标检测方法及系统在说明书摘要公布了：本发明属于目标检测领域，具体涉及到一种基于知识增强型深度学习的交通场景目标检测方法及系统，所述方法包括：获取待检测交通场景图像；建立单阶段目标检测模型并进行训练；将获取的待检测交通场景图像输入到训练好的单阶段目标检测模型，得到图片中目标物体的二维目标坐标以及对应的类别结果，完成目标检测。本发明通过建立单阶段目标检测模型结合共现关系，引入动态卷积层，提高网络对遮挡目标的检测准确率；通过目标检测对道路上的物体进行检测能够与汽车系统联合辅助驾驶，大大提高了夜间行车的安全性。

本发明授权一种基于知识增强型深度学习的交通场景目标检测方法及系统在权利要求书中公布了：1.一种基于知识增强型深度学习的交通场景目标检测方法，其特征在于，包括： 获取待检测交通场景图像，并输入到训练好的单阶段目标检测模型，得到图片中目标物体的二维目标坐标以及对应的类别结果，完成目标检测； 所述的单阶段目标检测模型包括：预处理模块、主干网络模块、颈部模块和检测头模块； 所述主干网络模块包括stem模块、三个ELAN-MP串联模块、ELANwithDConv模块； 所述stem模块由4个串联的CBS模块组成，所述CBS模块由Conv1d层、BatchNorm1d层和silu激活函数层组成； ELAN模块由连续卷积层聚合得到，包括两条分支，第一条分支是经过一个1x1的卷积做通道数的变化；第二条分支先经过一个1x1的卷积模块做通道数的变化，然后再经过四个3x3的卷积模块做特征提取；第三个ELAN模块将第二分支中做特征提取的四个3x3的卷积模块中的第一个3x3的卷积模块替换成可形变卷积，通道维度保持不变； MP模块包括两个分支，第一条分支先经过一个maxpool最大池化层，然后再经过一个1x1的卷积进行通道数的改变；第二条分支先经过一个1x1的卷积，做通道数的变化，然后再经过一个3x3卷积核、步长为2的卷积块，最后将两个分支聚合； 所述颈部模块包括SPPCSPC模块、FPN+PAN组合结构； 所述SPPCSPC模块用于增大感受野，包括两个分支，在第一条分支中有四个池化分支，下采样倍率分别是5,9,13,1；第二个分支为常规的下卷积层，最后将两个分支聚合； FPN为自顶向下的金字塔结构，重复经过CBS模块、上采样模块、ELAN-W模块两次，上采样模块采用的CARAFE轻量级通用上采样算子，ELAN-W模块为ELAN的变种，在ELAN第二条分支每个卷积模块都进行相加，在上采样模块和ELAN-W模块之间引入骨干网络对应相同维度的特征进行cat操作，将第二个ELAN-W模块的特征图输入到下一阶段； PAN是自底向上金字塔结构，重复两次经过MP模块和ELAN-W模块，在MP模块和ELAN-W模块之间引入FPN网络对应相同维度的特征进行cat操作，最后将经过ELAN-W模块的特征图输入到下一阶段； 所述检测头模块，包括：三个串联的REP模块、CBM模块、检测头； 经过骨干网络和颈部网络后得到三个尺度的特征图，分别输入三个串联的REP模块、CBM模块、检测头，每个特征图首先经过REP模块进行通道降维操作，得到通道维度为255的特征图，其中REP模块分别由3x3的卷积、1x1的卷积和残差连接并行组成，然后特征图经过CBM模块进行卷积操作，CBM模块由一个卷积核为3步长为1的卷积，一个BN—Batchnormalization层，还有一个sigmoid激活函数层组成；将卷积后的特征图分别输入三个预测不同尺寸大小的检测头，分别预测小、中、大三类目标；每个检测头由两个大分支组成，第一个大分支负责目标类别的预测，第二大分支负责置信度与位置的预测；特征图进入第一个大分支后又有两个小分支，第一个小分支为常规预测类别分支，特征图进入该分支直接进行卷积操作得到目标预测类别向量；第二个小分支为共现关系模块，共现关系模块由两层gcn图卷积构成，将数据预处理部分得到的词向量和共现矩阵作为输入，经过图卷操作后得到类别相关性向量，特征图进入该分支与该类别相关性向量相乘得到增强的类别预测向量，最终将两个小分支得到的目标预测类别向量和类别相关性向量融合得到最终的类别预测向量；特征图进入第二个大分支同样也有两个小分支，第一个小分支为置信度预测分支，特征图进入该分支得到置信度预测值，该值用于判断该预测为真的概率；第二个分支为位置预测分支，特征图进入该分支得到物体的位置向量，该值由物体中心点位置、边界框偏移量组成；最后将类别预测向量，置信度预测值，位置预测向量经过cat操作得到物体的预测向量； 所述单阶段目标检测模型的训练过程，包括： S1：获取原始的图片数据与标签数据，采用预处理模块对图像进行预处理并统计标签信息； S2：通过主干网络模块进行连续的卷积操作捕获预处理后的图片特征； S3：通过颈部模块对特征进行多尺度特征融合，并把这些特征结合标签信息传递给检测头模块； S4：通过检测头模块进行目标位置和类别的预测； S5：根据分类损失、回归损失以及置信度损失建立单阶段目标检测模型的损失函数，将目标预测的位置和类别对应原图片的标注信息进行损失求解，迭代训练直到收敛，完成模型训练。

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重庆邮电大学，其通讯地址为：400065 重庆市南岸区南山街道崇文路2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。