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！

龙图腾网获悉中国海洋大学申请的专利一种基于神经架构搜索技术的声纳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：CN121213947B 。

龙图腾网通过国家知识产权局官网在2026-02-06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：202511784182.0，技术领域涉及：G06V10/44；该发明授权一种基于神经架构搜索技术的声纳目标检测方法是由吕曜辉;邱赛;唐胜雨;于长东;王永丰设计研发完成，并于2025-12-01向国家知识产权局提交的专利申请。

本一种基于神经架构搜索技术的声纳目标检测方法在说明书摘要公布了：本发明属于计算机视觉和目标检测技术领域，公开了一种基于神经架构搜索技术的声纳目标检测方法，包括：构建并预处理数据集；基于最大微分熵原理的Zero‑shot进行神经架构搜索，获取最优CNN‑Transformer骨干架构；基于CNN‑Transformer骨干网络提取的声纳图像各类目标不同尺度特征，通过Queryselection生成高质量Query；解码器部分将Query进行解码，对声纳目标进行预测；通过多任务协同优化的混合损失函数进行训练；输出目标的位置、类别及置信度信息。本发明采用上述一种基于神经架构搜索技术的声纳目标检测方法，通过架构创新、抗噪设计及理论突破，显著提升声纳目标检测性能。

本发明授权一种基于神经架构搜索技术的声纳目标检测方法在权利要求书中公布了：1.一种基于神经架构搜索技术的声纳目标检测方法，其特征在于，包括以下步骤： S1、构建声纳目标检测数据集，并对数据集进行预处理； S2、基于最大微分熵原理的Zero-shot进行神经架构搜索，获取最优CNN-Transformer骨干架构，具体过程如下： S21、构建图结构模型简化微分熵，引入最大微分熵引理，确定连续随机变量X的微分熵的上界，通过优化的上界，调整神经网络架构，实现模型优化； S22、推导CNN与Transformer输出特征图的微分熵表达式，具体过程如下： S221、推导CNN层微分熵，得出CNN的单元素微分熵表达式； S222、推导CNN-Transformer骨干架构的Transformer部分方差的递推规律，并计算微分熵； S23、结合微分熵模型，通过进化算法迭代优化网络架构，具体过程如下： S231、数值尺度缩放与方差估算； S232、构建适应度分数； S233、通过进化算法优化神经网络构架，具体过程如下： S2331、生成N大小的网络结构种群，并限定Flops的最大值； S2332、将随机修改神经网络结构参数定义为一次变异操作；在一轮迭代中，针对含六个Block的网络结构，随机选取四个，对每个选中的Block执行两次变异操作； S2333、通过逐次迭代，按照S2332变异规则，随机改变神经网络的部分结构参数，产生新个体； S2334、计算新个体适应度函数值，将新个体加入种群；对种群整体的适应度值进行排序，确定top-N最为新一轮迭代的种群； S2335、剔除种群中超出Flops最大阈值的个体，循环执行S2333-S2335，直到迭代次数达到预设阈值，输出最优结构； S3、基于CNN-Transformer骨干架构提取的声纳图像各类目标不同尺度特征，通过查询选择方法，得到高质量选择； S4、解码器部分将上述得到的高质量选择进行解码，对声纳目标进行预测； S5、通过多任务协同优化的混合损失函数，对模型进行训练，具体过程如下： S51、损失函数由分类损失、边界框回归损失及去噪监督损失三部分构成，如下所示： ； 其中，是总损失函数；、、是损失函数权重；是分类损失函数，具体表示为：；其中，N是预测框的总数；i是第i个预测框索引；是真实标签；是预测框的类别置信度；γ为调制因子；是边界框回归损失函数，具体表示为：；其中，=是真实框坐标；为预测框坐标；是损失函数；是广义交并比损失函数；、是权重系数；是一致性损失，具体表示为：；其中，是添加噪声的样本数量之和；是扰动样本，具体表示为：；其中，是高斯噪声，； S52、训练配置：采用Adam优化器，学习率恒定设置为0.0001，在每个训练迭代中，将数据输入模型进行前向传播，计算损失函数值，然后进行反向传播计算梯度，最后根据梯度更新模型参数； S6、将训练好的模型，用于实际声纳图像的目标检测，输出目标的位置、类别及置信度信息。

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中国海洋大学，其通讯地址为：266100 山东省青岛市崂山区松岭路238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。