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！

龙图腾网获悉湖南信控摩尔科技有限公司申请的专利一种基于深度学习的低分辨率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：CN116740380B 。

龙图腾网通过国家知识产权局官网在2026-03-13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：202310880251.2，技术领域涉及：G06V10/44；该发明授权一种基于深度学习的低分辨率图像目标检测方法是由赵旭;桂卫华设计研发完成，并于2023-07-18向国家知识产权局提交的专利申请。

本一种基于深度学习的低分辨率图像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深度学习的低分辨率图像目标检测方法，实施方案为：1获取高分辨率图像目标检测训练数据集；2创建低分辨率图像目标检测训练数据集；3构建低分辨率图像目标检测模型；4构建损失函数；5训练模型；6低分辨率图像目标检测。本发明构建一种任务分解增强网络来有效增强不同降质情况下的低分辨率图像，其主要由图像复原支路和分辨率增强支路构成。这两条支路通过共用一个共享特征提取器，不仅降低了网络的参数量还增强了特征的表达能力。通过将任务分解增强网络与检测网络进行联合优化，有效提高了低分辨率图像目标检测的准确率。

本发明授权一种基于深度学习的低分辨率图像目标检测方法在权利要求书中公布了：1.一种基于深度学习的低分辨率图像目标检测方法，其特征在于包括以下步骤： 1获取高分辨率图像目标检测训练数据集：从公共数据库中获取原始高分辨率图像和对应的检测标签； 2创建低分辨率图像目标检测训练数据集：采用降质模型对步骤1得到的高分辨率训练数据集中的每幅高分辨率图像进行降质，得到对应的低分辨图像，将这些一一对应的由高、低分辨率图像组成的图像对集合和这些图像对所对应的检测标签作为低分辨率图像目标检测训练数据集； 3构建低分辨率图像目标检测模型：该模型由任务分解增强网络和检测网络构成，具体的构建过程包括以下步骤： 3-a构建任务分解增强网络：该网络由图像复原支路、分辨率增强支路构成；图像复原支路和分辨率增强支路分别构建如下： 3-a-1构建图像复原支路：该支路由共享特征提取器1、卷积层1和逐像素相加操作构成；输入图像IL依次经过共享特征提取器1、卷积层1后，得到的结果与IL进行逐像素相加，得到中间复原图像II，完成图像复原支路的构建； 3-a-2构建分辨率增强支路：该支路由共享特征提取器2、双线性插值操作1、双线性插值操作2、像素洗牌层和逐像素相加操作构成；将步骤3-a-1得到的中间复原图像II输入到共享特征提取器2，得到的结果经双线性插值操作1处理后，得到中间特征图XE；将XE输入到像素洗牌层，得到的结果与II经双线性插值操作2处理后的结果进行逐像素相加，得到增强图像IS，完成分辨率增强支路的构建； 所述共享特征提取器1和共享特征提取器2具有相同的结构，都由卷积层2、残差单元1、残差单元2构成；共享特征提取器的输入依次经过卷积层2、残差单元1、残差单元2，得到共享特征提取器的输出； 3-b构建检测网络：该网络由骨干模块、颈部模块、头部模块构成；步骤3-a-2中的增强图像I依次经过骨干模块、颈部模块、头部模块，得到目标检测结果； 4构建损失函数： 构建以下联合损失函数： L＝LIR+LRE+LDet 其中LIR表示图像复原损失函数，LRE表示分辨率增强损失函数，LDet表示检测损失函数；表示第i幅高分辨率图像，表示将所对应的低分辨率图像输入到步骤3-a-1所述图像复原支路后得到的中间复原图像；表示将输入到步骤3-a-2所述分辨率增强支路后，得到的增强图像；B·为双三次插值函数；N为正整数，表示训练图像的批量大小，且N∈[1,64]；‖·‖1表示L1范数； 5训练模型：利用步骤2得到的低分辨率图像目标检测训练数据集训练步骤3构建完成的低分辨率图像目标检测模型，根据步骤4构建的损失函数得到损失值，并使用Adam优化器更新模型参数，直到损失不再下降，得到训练好的模型； 6低分辨率图像目标检测：用步骤5中训练好的低分辨率图像目标检测模型对测试集中的低分辨率图像进行目标检测，得到最终检测结果。

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湖南信控摩尔科技有限公司，其通讯地址为：410000 湖南省长沙市岳麓区岳麓街道溁左路中南大学科技园研发总部1栋661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。