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！

龙图腾网获悉广东技术师范大学申请的专利一种基于数据增强与特征融合的微小目标自适应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：CN115331146B 。

龙图腾网通过国家知识产权局官网在2026-03-31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：202210973844.9，技术领域涉及：G06V20/40；该发明授权一种基于数据增强与特征融合的微小目标自适应检测方法是由卢旭;郭雨洁设计研发完成，并于2022-08-15向国家知识产权局提交的专利申请。

本一种基于数据增强与特征融合的微小目标自适应检测方法在说明书摘要公布了：本发明涉及一种基于数据增强与特征融合的微小目标自适应检测方法，包括以下步骤：S1、像素筛选式处理数据集中的所有目标；S2、构建骨干网络；S3、构建适配型图像金字塔网络；S4、提取多尺度融合特征信息；S5、构建检测预测网络。本发明通过利用对目标对象进行筛选式重采样处理方法，在不增加图像数据量的前提下成功增加小目标样本数目，方法更加简单直接，检测性能提升明显；通过使用深度学习中卷积神经网络提取图像多尺度融合特征信息，适应性更强，检测效果更佳。

本发明授权一种基于数据增强与特征融合的微小目标自适应检测方法在权利要求书中公布了：1.一种基于数据增强与特征融合的微小目标自适应检测方法，其特征在于，包括以下步骤： S1、像素筛选式处理数据集中的所有目标：通过选取安全帽佩戴公共数据集，利用选择型小目标复制算法对数据集图像中所有的目标进行像素筛选式处理，并将处理后的目标框放回对应原图像以扩充图像数据集； S2、构建骨干网络：对步骤S1处理得到的数据集图像进行下采样，获取深层次的特征映射图； S3、构建适配型图像金字塔网络：解耦各目标物体的检测，针对具有高分辨率特征映射的小目标，为其分配更合适的特征层级； S4、提取多尺度融合特征信息：融合骨干网络与适配型图像金字塔网络特征信息，通过将骨干网络与适配型图像金字塔网络通过横向连接得到多尺度融合特征信息，构建一条自底向上和自顶向的融合路径，将深层语义信息融合到浅层位置信息中； S5、构建检测预测网络：通过步骤S4中生成映射图后，输出融合特征进行预测，生成关键点热力图、边界框的尺度预测和关键点的偏差预测，进行损失函数优化，直至损失函数收敛；利用预测得到的中心关键点坐标估测目标的位置，完成多语义特征融合的小目标对象的多尺度检测模型的训练； 步骤S1的具体过程如下： S11、选取安全帽佩戴公共数据集，利用选择型小目标对象复制算法，对数据集中的所有目标框进行一个筛选式重复采样，筛选出像素值在阈值内的所有目标并将其视为小目标，将所有小目标全部提出并找到分别对应的原图像； S12、对提取出的小目标进行二次复制，并且在第二次复制时对原小目标图像进行一次水平翻转处理； S13、复制完后将这些小目标对象按照最初提取出来的初始大小放回分别对应的数据集的原图像中，在图像对应的xml文件中添加这些小目标对象的相关信息，获取扩充后的图像数据集； 步骤S2的具体过程如下： S21、构建ST-CenterNet骨干网络，采用标准残差网络实现； S22、采用四层特征层进行目标的下采样处理；第一个层级利用一个步长为2的卷积层，得到一个为原始图像分辨率12的特征映射图；第二个层级利用一个步长为2的卷积层，得到一个为原始图像分辨率14的特征映射图；第三至第四个层级都采用步长为2的卷积层提取特征，最终输出的特征映射图为原始图像分辨率的116； S23、将残差网络提取到的特征图表示为C： C＝{C2,C3,C4,C5} 其中，C2,C3,C4,C5分别表示提取的ResNet-50网络的各个层级； 步骤S4的具体过程如下： S41、将两倍上采样后的深层特征层与相邻特征层进行逐像素相加融合处理： Pi＝Pi+1↑2×+Ci 其中，Ci表示对应于第i层的最后一个残差块特征；Pi表示对应于第i层的最终特征；Pi+1表示对应于第i+1层的最终特征；↑2×表示通过最近邻插值进行两倍上采样处理； S42、在原有网络的基础上对网络层进行线性组合： 其中，W为特征层线性组合处理后的输出向量；表示多个卷积层，其中为sigmoid函数，γ为特征层的输入向量，Li为权重层；方阵α用于具体的线性操作； S43、通过卷积核提升每张特征图为相同的通道数，增强每个预测特征图的特征信息；利用横向连接将其与浅层特征进行前后融合，横向连接同残差结构中的跳跃连接，通过上下采样得到的各层特征被传递到一个由多个卷积核和激活函数前后组合而成的激活门，生成特征横向融合因子，将深层语义特征信息和浅层位置特征信息相融合： AF＝βSiPi,f,s 其中，AF为将深层语义特征信息和浅层位置特征信息融合的特征信息；β为激活函数；Si为第i层的卷积，i分别取{2,3,4,5}；f为横向连接；s＝2i-1为卷积步长； S44、使用卷积消除上采样的混叠效应，生成适配于目标的新特征图： 其中，i取{2,3}；w和h分别为目标框的宽和高。

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广东技术师范大学，其通讯地址为：510665 广东省广州市天河区中山大道西293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。