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！

龙图腾网获悉暨南大学申请的专利基于多尺度与双中心融合的无锚框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：CN116188788B 。

龙图腾网通过国家知识产权局官网在2026-02-27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：202211533636.3，技术领域涉及：G06V10/40；该发明授权基于多尺度与双中心融合的无锚框目标检测方法是由邓玉辉;汤智敏设计研发完成，并于2022-12-02向国家知识产权局提交的专利申请。

本基于多尺度与双中心融合的无锚框目标检测方法在说明书摘要公布了：本发明公开了一种基于多尺度与双中心融合的无锚框目标检测方法，包括如下步骤：构建骨干网络提取图像特征；通过颈部网络进行不同尺度特征融合；通过多尺度融合模块进行多尺度特征图的信息增强；通过预测网络对类别、边界框位置进行预测，并通过双中心融合模块得到总体中心度用于边界框的质量评估，最终得到检测结果。本发明与传统的无锚框目标检测方法相比，通过多尺度融合模块对多尺度特征图间能够平衡地进行特征增强，通过双中心融合模块融合了边界框中心度和类别中心度的信息更有效的过滤低质量的边界框。通过以多尺度融合模块和双中心融合模块的优化，提高目标检测方法的表达能力，提高检测的准确率。

本发明授权基于多尺度与双中心融合的无锚框目标检测方法在权利要求书中公布了：1.一种基于多尺度与双中心融合的无锚框目标检测方法，其特征在于，所述检测方法包括以下步骤： S1、构建骨干网络，将待检测图像Fin∈RC×W×H输入到骨干网络中进行特征提取，其中C表示图像通道的数量，W和H为图像的高和宽，R表示实数域；输出分别是特征图特征图特征图其中C1、C2、C3为特征图通过骨干网络降维后的通道数量，W1、W2、W3为通过骨干网络降维后的特征图的宽度，H1、H2、H3为特征图通过骨干网络降维后的特征图的高度； S2、将步骤S1得到特征图特征图特征图输入颈部网络进行不同尺度特征融合，输出分别是特征图特征图特征图特征图特征图其中C0为特征图通过降维后的特征图的通道数，W4、W5为降维后的特征图的宽度，H4、H5为降维后的特征图的高度； S3、将步骤S2得到的特征图P1、特征图P2、特征图P3、特征图P4、特征图P5输入到多尺度融合模块，通过多尺度融合模块的合并操作、第一细化机制和第二细化机制的处理、还原并与对应的输入特征图进行逐像素相加操作，得到的特征图分别是特征图特征图特征图特征图特征图最后得到特征图集合 S4、构建预测网络，将步骤S3得到的特征图集合P*中的每个特征图作为预测网络的输入，得到最终的预测结果，通过预测类别模块对类别置信度进行预测、预测边界框模块对边界框位置进行预测，并得到边界框中心度和类别中心度，并将边界框中心度和类别中心度通过双中心融合模块得到总体中心度，再使用总体中心度和类别置信度得到总体置信度，预测的边界框位置以总体置信度为依据用非极大值抑制NMS剔除总体置信度低的检测框；所述预测网络包括预测类别模块、预测边界框模块、双中心融合模块，其中， 预测类别模块从输入至输出依次连接为：卷积层conv6_1、卷积层conv6_2、卷积层conv6_3、卷积层conv6_4、卷积层conv6_5； 预测边界框模块从输入至输出依次连接为：卷积层conv7_1、卷积层conv7_2、卷积层conv7_3、卷积层conv7_4、卷积层conv7_5； 双中心融合模块由卷积层conv8_1和卷积层conv8_2构成； 所述步骤S4过程如下： S41、对于特征图集合P*中特征图特征图是特征图集合P*中第l个的特征图，1≤l≤5，经过预测类别模块中的卷积层conv6_1、卷积层conv6_2、卷积层conv6_3、卷积层conv6_4得到特征图 S42、特征图Ql通过卷积层conv6_5，得到用于预测类别的特征图Ll∈RW×H×N，其中N为预测类别的数量，从特征图Ll中可得到每个位置点的类别置信度； S43、将特征图经过预测边界框模块中卷积层conv7_1、卷积层conv7_2、卷积层conv7_3、卷积层conv7_4，得到特征图 S44、特征图Gl通过卷积层conv7_5，得到用于预测边界框的特征图Bl∈RW×H×4，在特征图Gl的每个位置上预测4个距离参数，分别为距离位置左侧距离上侧距离右侧距离以及下侧距离对于特征图Bl的某一位置bx,by，其中bx为该位置点的横坐标，by为该位置点的纵坐标，则公式为： 其中分别在位置点bx,by为中心形成检测框的左边界、右边界、上边界和下边界的坐标； S45、将特征图Ql通过双中心融合模块中卷积层conv8_1得到类别中心度的特征图Ψ∈RW×H×1，将特征图Gl通过双中心融合模块中卷积层conv8_2得到边界框中心度的特征图Θ∈RW×H×1，对于特征图Ψ和特征图Θ的某一位置wd,hd，其中wd为该位置点的横坐标，hd为该位置点的纵坐标，进行中心融合计算，得到位置wd,hd的总体中心度 其中，是特征图Ψ位置wd,hd的数值，是特征图Θ位置wd,hd的数值，α和β分别为的平衡参数； S46、将步骤S45计算得到的总体中心度与特征图Ll在位置wd,hd的对应类别置信度进行计算，得到最终的wd,hd为中心形成的边界框的总体置信度 再根据总体置信度再使用NMS方法对于总体置信度低的边界框进行过滤； S47、对特征图Ql和特征图Gl的每个位置点执行步骤S45、步骤S46，得到最后的检测结果。

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暨南大学，其通讯地址为：510632 广东省广州市天河区黄埔大道西601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。