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！

龙图腾网获悉大连海事大学申请的专利一种基于多任务联合训练的低分辨率水下图像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：CN116403099B 。

龙图腾网通过国家知识产权局官网在2026-02-24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：202211612521.3，技术领域涉及：G06V20/05；该发明授权一种基于多任务联合训练的低分辨率水下图像目标检测方法是由纪勋;刘国鹏;王靖淇设计研发完成，并于2022-12-14向国家知识产权局提交的专利申请。

本一种基于多任务联合训练的低分辨率水下图像目标检测方法在说明书摘要公布了：本发明提供一种基于多任务联合训练的低分辨率水下图像目标检测方法，包括如下步骤：获取包含期望水下目标的真实水下场景高分辨率图像，并针对所述图像数据中的所述期望水下目标进行标注；将获取的所述真实水下场景高分辨率图像进行模糊化处理；构建基于多任务联合训练的低分辨率水下图像的目标检测网络；所述目标检测网络为卷积神经网络；对所述目标检测网络进行超参数设置并对训练；待网络训练完毕后，运行训练后的目标检测网络，对待检测水下图像进行目标检测。本发明可有效实现对低分辨率水下图像数据进行精准检测、识别。

本发明授权一种基于多任务联合训练的低分辨率水下图像目标检测方法在权利要求书中公布了：1.一种基于多任务联合训练的低分辨率水下图像目标检测方法，其特征在于，包括如下步骤： 步骤1：获取包含期望水下目标的真实水下场景高分辨率图像，并针对所述图像数据中的所述期望水下目标进行标注； 步骤2：将所述步骤1中获取的所述真实水下场景高分辨率图像进行模糊化处理； 步骤3：构建基于多任务联合训练的低分辨率水下图像的目标检测网络；所述目标检测网络为卷积神经网络，所述目标检测网络包含：颜色空间转换增强模块、浅残差超分辨模块以及水下目标检测模块；所述步骤3包括以下步骤： 步骤3-1、通过颜色空间转换模块对低分辨率水下图像进行处理： ；；；； 其中，表示RGB颜色空间表征下的低分辨率水下图像；表示HSV颜色空间表征下的低分辨率水下图像；表示RGB颜色空间表征下的增强输出特征图；表示HSV颜色空间表征下的增强输出特征图；表示给定图像从RGB颜色空间表征方式到HSV颜色空间表征方式的转换操作；表示给定图像从HSV颜色空间表征方式到RGB颜色空间表征方式的转换操作；表示卷积核大小为、步长为1的卷积，跟随批归一化BN以及修正线性单元ReLU激活函数操作；表示卷积核大小为1×1、步长为1的卷积，跟随批归一化BN以及修正线性单元ReLU激活函数操作；CS表示卷积核大小为3×3、步长为1的卷积和双弯曲激活函数的叠加操作；表示低分辨率水下图像进行对比度增强后的输出图像；Res和SE分别表示残差结构操作以及通道注意力操作，其分别表示为： ； ； 其中，表示函数变量，表示全局平均池化操作，表示全连接操作，和分别表示修正线性单元ReLU激活函数以及双弯曲Sigmoid激活函数； 步骤3-2、通过浅残差超分辨网络对低分辨率水下图像进行处理： ； ； 其中，表示超分辨输出特征图；表示上采样与卷积核大小为3×3、步长为1的卷积和双弯曲激活函数的叠加操作；表示低分辨率水下图像进行分辨率增强后的输出图像； 步骤4：对所述步骤3中的目标检测网络进行训练；所述步骤4包括如下流程： 步骤4-1：冻结所述水下目标检测模块，即在网络前期训练过程中，固定水下目标检测模块部分中的所有参数保持不变； 步骤4-2：所述基于多任务联合训练的低分辨率水下图像目标检测网络包含两种输入，一种为所述步骤1中采集到的真实水下场景高分辨率图像Ihigh；另一种为通过颜色空间转换增强模块和浅残差超分辨模块分别进行图像对比度以及分辨率方面的优化，并通过逐元素叠加的方式得到的与高分辨图像尺寸相同的增强图像Ien，即： ； 步骤4-3：解冻水下目标检测模块，并通过开源特征提取网络分别提取真实水下场景高分辨图像Ihigh以及增强图像Ien的3个不同尺度特征图； 步骤4-4：通过引入融合尺度、上采样模块和下采样模块的特征金字塔网络对提取的三个尺度的特征图像进行融合；所述融合的过程包括：设置颜色空间转换网络、浅残差超分辨网络的输出之和输入到目标检测网络的三个输出尺度从大到小设为flow1、flow2、flow3；高分辨率图像输入到目标检测网络的三个输出尺度从大到小设为、、；上采样融合后的三个特征图像从大到小设为F1、F2、F3，下采样融合后的三个特征图像从大到小设为F6、F5、F4，三个输出特征图像从大到小设为Head1、Head2、Head3，其原理如下： ； ； ； ； ； ； ； ； ； 其中，表示步长为2的上采样操作；表示卷积核大小为3×3，步长为2的下采样卷积操作；表示维度为一的通道拼接操作；为以及卷积核大小为、步长为1的卷积叠加操作； 步骤4-5：将三个融合后的特征图像输入到分类回归层进行预测；将经过特征金字塔网络处理后的输出特征图像、、分别输入到三个分类回归层，得到分类回归层的预测结果；然后比较三个分类回归层的预测结果的平均置信度，选取平均置信度最高的预测结果进行计算得到表示水下目标类别和位置的信息； 步骤4-6：通过迭代训练的方式，将所述步骤4-5中得到的水下目标类别和位置信息与真值图像中的信息进行比对以计算网络损失，水下目标检测模块中的参数将通过自主权重调节以降低该损失，当这一损失的数值收敛到某固定值后，整个基于多任务联合训练的低分辨率水下图像目标检测网络训练完毕； 步骤5：待网络训练完毕后，运行训练后的目标检测网络，对待检测水下图像进行目标检测。

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大连海事大学，其通讯地址为：116026 辽宁省大连市高新园区凌海路1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。