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！

龙图腾网获悉福州大学申请的专利一种高效尺度感知的小样本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：CN119888173B 。

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：202411934242.8，技术领域涉及：G06V10/25；该发明授权一种高效尺度感知的小样本目标检测方法是由林志贤;涂登科;梅婷;林珊玲;蔡苾芃;王廷雨;蔡忠祺;丁鹏设计研发完成，并于2024-12-26向国家知识产权局提交的专利申请。

本一种高效尺度感知的小样本目标检测方法在说明书摘要公布了：本发明涉及一种高效尺度感知的小样本目标检测方法，包括：获取用于模型训练的数据集，并划分为基类数据集和新类数据集；从新类数据集构建不同样本数量的小样本数据集；构建高效尺度感知的小样本目标检测模型，其包括采用高效尺度感知模块ESA重构的特征提取网络、两个梯度解耦层GDL、引入强化三重注意力机制ETA的候选框生成网络RPN、区域卷积网络RCNN、引入原型校准模块PCB的分类器和回归器；采用基于迁移学习策略的两阶段微调方法对小样本目标检测模型进行训练；通过两阶段训练将从基类数据中提取到的先验知识迁移到新类的目标检测中；通过训练好的小样本目标检测模型进行小样本目标检测。该方法有利于提高复杂背景和尺度变化情况下小目标检测的精度。

本发明授权一种高效尺度感知的小样本目标检测方法在权利要求书中公布了：1.一种高效尺度感知的小样本目标检测方法，其特征在于，包括如下步骤： 步骤1：获取用于模型训练的数据集，按照小样本检测任务将数据集划分为基类数据集和新类数据集；从新类数据集构建不同样本数量的小样本数据集； 步骤2：构建高效尺度感知的小样本目标检测模型，其包括采用高效尺度感知模块ESA重构的特征提取网络、两个梯度解耦层GDL、引入强化三重注意力机制ETA的候选框生成网络RPN、区域卷积网络RCNN、引入原型校准模块PCB的分类器和回归器； 步骤3：采用基于迁移学习策略的两阶段微调方法对小样本目标检测模型进行训练；将基类数据集中样本数据输入预训练的特征提取网络进行基础阶段训练，得到基础模型并保存基础模型参数；然后，将检测头分类类别数量由基类类别数量设置为新类类别数量，根据不同的小样本检测任务设置，采用不同样本数量的小样本数据集对基础模型进行训练来对分类器和回归器进行微调，得到训练好的小样本目标检测模型；从而通过两阶段训练将从基类数据中提取到的先验知识迁移到新类的目标检测中； 步骤4：通过训练好的小样本目标检测模型进行小样本目标检测； 采用高效尺度感知模块ESA重构特征提取网络的实现方法为： 特征提取网络采用ResNet-101卷积神经网络，将ESA模块引入到ResNet-101中res4阶段的若干残差块中，用ESA模块替换res4阶段中若干残差块的3×3卷积层，特征图输入融合ESA模块的残差块时，首先进入卷积核为1×1的卷积层，输出特征图接着进入ESA模块，经过ESA模块处理后的特征图接着进入卷积核为1×1的卷积层，得到该残差块的最终输出； ESA模块包括上下文转换模块、基于1×1卷积实现的偏移量卷积以及基于3×3卷积实现的可变形卷积，特征图输入ESA模块后，分成两个并行分支，在偏移量学习分支中，输入的特征图首先通过上下文转换模块获取全局和局部的上下文信息，接着通过偏移量卷积提取水平和垂直两个方向上的偏移量，最后输入的特征图与学习到的偏移量被同时输入到可变形卷积中，实现高效的动态采样卷积操作； 在RPN网络中，引入强化三重注意力机制来提高生成候选框的质量；GDL模块输出特征图，经过强化三重注意力机制处理后，得到强化后的特征图，输入RPN网络； 所述强化三重注意力机制将输入特征图分成三个分支，每个分支处理不同维度之间的特征交互；第一个分支关注通道和高度之间的交互，第二个分支关注通道和宽度之间的交互，第三个分支关注空间维度；考虑到图像存在的背景噪声、目标尺度多变因素对模型检测精度的影响，在输入前、输出后分别插入可变形残差块来进一步加强目标相关区域的特征表示； 所述强化三重注意力机制的具体实现方法为： 1特征图输入强化三重注意力机制后，先通过第一可变形残差块对特征图进行处理，然后分成三个分支； 2在第一个分支和第二个分支中，对输入张量执行旋转操作来改变其维度的排列，以便在不同维度上按照特征的重要性进行注意力分配；然后通过Z-Pool操作对旋转张量进行降维处理；经过Z-Pool操作后，通过一个7×7的卷积层对张量进行降维，然后通过批归一化和Sigmoid激活函数来生成对应的注意力权重；接着将生成的注意力权重与经过旋转后的输入张量相乘，而后执行旋转操作； 在第三个分支中，对输入张量执行ChannelPool操作；经过ChannelPool操作后，通过一个7×7的卷积层对张量进行降维，然后通过批归一化和Sigmoid激活函数来生成对应的注意力权重；接着将生成的注意力权重与原始输入张量相乘； 3将三个分支的输出进行平均，然后通过第二可变形残差块进行处理，形成最终的输出。

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福州大学，其通讯地址为：350108 福建省福州市闽侯县福州大学城乌龙江北大道2号福州大学；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。