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！

龙图腾网获悉中国航空研究院申请的专利一种基于神经网络覆盖率的飞行器目标识别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：CN116935151B 。

龙图腾网通过国家知识产权局官网在2026-04-03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：202310246915.X，技术领域涉及：G06V10/774；该发明授权一种基于神经网络覆盖率的飞行器目标识别方法是由陈鹏鹏;王若;邢晨光;刘波;王新;张子元;韩宗昌设计研发完成，并于2023-07-11向国家知识产权局提交的专利申请。

本一种基于神经网络覆盖率的飞行器目标识别方法在说明书摘要公布了：本发明属于计算机视觉技术领域，尤其涉及一种基于神经网络覆盖率的飞行器目标识别方法。本发明通过分析目标检测模型的测试结果，对基于深度神经网络的检测模型的神经元和神经元之间的连接进行剪枝，自适应调整模型的结构，以优化目标检测的精度，同时加快“智能测试+机器学习”闭环收敛。利用神经网络覆盖率量化了深度神经网络的激活程度，利用采集的航空图像数据对模型进行训练，无需基于图像数据生成候选框，这种做法降低了目标识别模型训练的时间成本，通过反向传播和参数微调可以高效地获取可应用于航空图像检测任务的智能模型，以满足航空领域对任务执行的高实时性和强机动性的需求。

本发明授权一种基于神经网络覆盖率的飞行器目标识别方法在权利要求书中公布了：1.一种基于神经网络覆盖率的飞行器目标识别方法，其特征在于，包括以下步骤： 步骤1，构建训练数据集：首先进行航空图像数据收集，然后进行数据清洗和数据标注，建立训练集； 步骤2，基于上一步构建的训练集对基于深度神经网络的目标识别模型进行训练:根据神经网络覆盖率设置隐藏概率，然后利用反向传播Adam求解目标识别模型参数； 步骤3，基于上一步求解得到的目标识别模型参数，即深度神经网络中的权重，利用正向传播求解神经网络覆盖率，为第二步的目标识别模型训练提供优化方案，步骤2和步骤3经过选代达到限定的次数后，将步骤2训练的目标识别模型跳转到步骤4； 步骤4，利用训练好的基于深度神经网络的目标识别模型，对新的航空图像数据进行自动化的目标检测； 该方法的输入是采集的航空图像数据，输出是训练好的目标检测模型以及完成检测的航空图像数据；核心是目标检测模型的训练和测试； 目标检测模型的训练模块主要负责利用训练集对模型参数进行求解，分为多轮进行；目标识别模型的训练主要分为以下几步： 首先定义一些符号，对于某个Epoch，令表示某一层网络的索引号，表示输入航空图像的索引号，表示对于航空图像，神经网络第层的输入。表示对于航空图像神经网络第层的输出，其中表示对于航空图像神经网络第0层的输入，表示神经网络模型第层网络的模型参数： 1在模型训练阶段的某个Epoch，首先对于任意层的第个神经元，随机以的概率临时隐藏掉该神经元； 1 2 其中是独立伯努利随机变量的向量，每个伯努利随机变量有的概率为1； 2把航空图像作为输入在剪枝后的深度神经网络上进行前向传播，然后反向传播求模型损失函数关于模型参数的梯度，累计前向传播和反向传播次数达到预先定义好的批次数batch，则利用梯度下降法，更新模型的参数；前向传播的过程表示如下： 3 4 其中，表示激活函数，对于任何层，是独立伯努利随机变量的向量，每个伯努利随机变量为1的隐藏概率为； 3然后，重复以下过程： a对临时隐藏的神经元进行恢复，这些被恢复的神经元的参数保持不变，未被隐藏的神经元参数已经得到了更新； b在下一个Epoch从第个隐藏层，神经元中以的概率隐藏掉神经网络中的神经元； c对一个批次的航空图像，先前向传播求损失函数，然后反向传播求梯度，并根据随机梯度下降法更新没有被删除的那一部分神经元对应的参数，被隐藏的神经元参数保持不变，重复步骤1、2和3； 测试过程分多个Epoch进行的，在某个Epoch，将深度神经网络的神经网络覆盖率定义为所有输入的唯一激活神经元数量与深度神经网络中神经元总数的比率；在前向传播的过程中，如果神经元的输出的绝对值大于某个阈值则认为该神经元被激活； 表示输入的航空图像数据集合，表示神经网络中神经元的个数，表示对于给定的测试输入，第层第个神经元的输出，表示判断某个神经元是否被激活的阈值；则深度神经网络的神经网络覆盖率可以表示为： 5 其中为指示函数，则，反之为0。

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航空研究院，其通讯地址为：100012 北京市朝阳区安外北苑2号院；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。