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基于特征梯度的双阶段黑盒目标检测可解释性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：CN116246095B 。

龙图腾网通过国家知识产权局官网在2026-01-27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：202211642289.8，技术领域涉及：G06V10/764；该发明授权基于特征梯度的双阶段黑盒目标检测可解释性方法是由米建勋;蒋希来设计研发完成，并于2022-12-20向国家知识产权局提交的专利申请。

本基于特征梯度的双阶段黑盒目标检测可解释性方法在说明书摘要公布了：本发明涉及一种基于特征梯度的双阶段黑盒目标检测可解释性方法，属于可信深度学习领域。该方法利用特征梯度思想，将目标检测的分类任务和回归任务拆解为两个子网络进行解释，通过特征梯度方法分别获得分类子网络和回归子网络的相关重要性。本发明能够从分类子网络和回归子网络两条路径解释网络行为，为每个识别结果提供网络依据，从而达到让黑盒模型透明化的目的。该方法以平滑特征梯度为入口，找到网络注意力的集中区域，并将该区域具体所作的贡献以人类容易理解的方式呈现，用网络中的知识来解释网络的行为。

本发明授权基于特征梯度的双阶段黑盒目标检测可解释性方法在权利要求书中公布了：1.一种基于特征梯度的双阶段黑盒目标检测可解释性方法，其特征在于，利用特征梯度思想，将目标检测的分类任务和回归任务拆解为两个子网络进行解释，通过特征梯度方法分别获得分类子网络和回归子网络的相关重要性； 获得分类子网络的相关重要性，即解释目标识别分类子网络，具体包括以下步骤： S101：利用原始训练数据集对FasterR-CNN网络模型进行训练，得到在该数据集上表现好的FasterR-CNN模型； S102：从一个与步骤S101中采用的训练数据集具有相同分布、但样本不重叠的测试数据集中选取一个待解释原始图像，输入到训练好的FasterR-CNN网络模型中，得到原图样本的识别结果；其中，是目标属于此分类的概率； S103：使用高斯噪声模型对输入图像进行扰动，生成k个扰动样本；将所有扰动样本输入到训练好的FasterR-CNN网络中进行推理，得到k个扰动样本的识别结果； S104：将所有识别结果看作因变量，对原图求解平滑特征梯度；将所有识别结果的梯度矩阵求均值，得到分类子网络的重要性梯度矩阵； S105：对分类重要性梯度矩阵进行归一化处理，使得重要性矩阵的值在0~255范围内，使得网络关注的区域具有更深的颜色； S106：将分类重要性分数矩阵转换成图像，覆盖至原图上，生成分类子网络的最终解释； 获得回归子网络的相关重要性，即解释目标位置回归子网络，具体包括以下步骤： S201：选取原始图像，输入到训练好的FasterR-CNN网络模型中，得到原图样本的目标位置回归子网络的识别结果，其中，和是目标回归框的中心点的横、纵坐标，和是目标回归框的宽度和高度； S202：将回归结果位置信息向量进行标量化，生成回归位置结果信息标量； S203：使用高斯噪声模型对输入图像进行扰动，生成k个扰动样本；将所有扰动样本输入到训练好的FasterR-CNN网络中进行推理，得到k个扰动样本的识别结果； S204：将所有识别结果看作因变量，对原图求解平滑特征梯度；将所有识别结果的梯度矩阵求均值，得到回归子网络的重要性梯度矩阵； S205：对回归重要性梯度矩阵进行归一化处理，使得重要性矩阵的值在0~255范围内，使得网络关注的区域具有更深的颜色； S206：将回归重要性分数矩阵转换成图像，覆盖至原图上； S207：对回归重要性分数矩阵中的所有值进行降序排序；假设排序后的回归重要性分数矩阵序列为； S208：找到序列中的最大的未处理值，得到该值所在点对应的RPN特征区域； S209：通过该RPN特征点的分类通道找到前景置信度找到置信度最大的基础锚点回归框，再通过回归通道找到该基础锚点回归框的终了位置回归框，最后作出从基础锚点的四个角出发，指向终了位置回归框对应角的回归趋势箭头； S210：若步骤S209找到的基础锚点回归框与已经找到的基础锚点回归框的交并比大于，那么忽略掉这个回归框，回到步骤S207；持续此过程直至找到个有效的回归框；其中，表示某个基础锚点回归框与已解释的基础锚点回归区域的交并比阈值。

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 重庆市南岸区黄桷垭崇文路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。