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！

龙图腾网获悉大连理工大学申请的专利一种基于多尺度融合动态卷积的无人机视角的小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：CN119785245B 。

龙图腾网通过国家知识产权局官网在2025-08-22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：202411848046.9，技术领域涉及：G06V20/17；该发明授权一种基于多尺度融合动态卷积的无人机视角的小目标检测方法是由徐易;李家文;孙希明设计研发完成，并于2024-12-16向国家知识产权局提交的专利申请。

本一种基于多尺度融合动态卷积的无人机视角的小目标检测方法在说明书摘要公布了：本发明属于深度学习与目标检测领域，公开了一种基于多尺度融合动态卷积的无人机视角的小目标检测方法。首先，该检测算法通过提出多尺度融合的动态卷积模块，显著提高了特征提取的效率和速度。其次，设计针对小目标检测的多层级结构，通过在更大特征图上引入额外的预测头，显著提升了小目标的检测精度，这对于无人机在复杂环境中准确识别小目标至关重要。最后，该算法的适应性强，无论是多尺度融合的动态卷积模块的动态特性，还是小目标检测结构的灵活性，都能使算法适应不同的数据集和任务需求，为无人机在不同场景下的应用提供了广泛的兼容性和可靠性。

本发明授权一种基于多尺度融合动态卷积的无人机视角的小目标检测方法在权利要求书中公布了：1.一种基于多尺度融合动态卷积的无人机视角的小目标检测方法，其特征在于，步骤如下： 步骤1：收集用于模型训练的图像数据集 搜集城市航拍图像数据集，针对城市中的视觉任务搜集对应目标的航拍图像；针对城市航拍图像数据集中部分稀缺样本带来的小样本问题，使用stablediffusion模型进行数据增广；主要过程如下： 将不同种稀缺样本分类为不同域的数据集Dk，通过预训练的ResNet50模型提取每个样本的域内特征，公式如下： 其中，Nk表示样本数量，φ表示ResNet50模型，Θ为其预训练权重，表示域Dk中的某一个样本，为按照某个稀缺样本的重要性设置的权重系数，表示Dk数据集的域内特征；利用stablediffusion进行数据增广时，原本利用随机噪声进行初始化的生成方法无法生成带有稀缺样本特点的图像，将其改进为利用预训练的ResNet50模型提取的域内特征进行初始化的生成方法，生成带有某类稀缺样本域内特征的相似图像； 步骤2：数据预处理与数据增强 通过图像旋转、翻转和缩放对图像数据集进行预处理和增强，为每种增强方法分配可学习的常量系数，这些常量系数在ResNet50模型训练过程中进行优化，过程如下： Iaug＝AI,θ,φ,σ＝SFRI,θ,φ,σ 其中，I为输入图像；R为图像旋转，θ为旋转系数；F为图像反转，φ为翻转系数；S为图像缩放，σ为缩放系数；A为复合增强方法，Iaug为数据增强后的图像；在ResNet50模型训练的过程中，利用ResNet50模型的预测标签与真实标签进行的差异，对复合数据增强的各个系数，利用梯度下降法进行调整；为了保证调整的稳定性，引入正则化项进行约束； 其中，L为均方差损失函数，y为真实标签，为预测标签；λ为l1正则化系数，L′为约束后的损失函数；最终构建了一个动态复合的数据增强策略，该数据增强策略能在训练过程中自适应地调整各种增强手段的比例； 步骤3：特征提取网络 设计出一种新的基于动态卷积与卷积网络相融合的特征提取网络的结构；对于尺度大小不同的目标，考虑在特征提取的过程中将不同感受野下所提取到的特征进行融合；具体过程如下： 对输入图像I利用卷积模块进行初步的特征提取，得到P1层级的特征；对P1层级的特征使用动态卷积模块进行处理，该动态卷积模块通过步长为1、2、4的动态卷积模块提取不同感受野下不同尺度的特征，将这三个步长下提取的特征分别记为o1，o2，o3；将特征o2与o3通过最邻近插值上采样到与特征o1一样的尺寸o′2和o′3；对得到的o1、o′2和o′3使用通道拼接方法进行特征融合；公式如下： 其中，C1、C2和C3为特征o1、o2和o3的通道数，oconcati,j,k表示在位置i,j上第k个通道的特征值；拼接后的特征为P2层级的特征；这样卷积模块加上多尺度融合的动态卷积模块组成一个特征提取过程；以此类推，在P2层级的特征基础上逐级提取特征得到多个层级下多尺度融合的图像特征，最终得到P1、P2、P3、P4、P5五个层级的特征，这5个层级的特征尺寸依次递减；使用YOLOV8模型中的SPPF模块处理P5层级的特征得到最终特征Fb； 步骤4：特征融合网络 步骤3中提取了五个层级的特征，对五个层级的特征进行特征融合以增强模型的感知能力；在YOLOV8模型的Neck部分的框架基础上再添加一次上采样的过程，这样操作达到融合更大特征尺度的P2层级特征的效果；此外将原YOLOV8模型的Neck部分的特征提取模块C2f使用步骤3中提出的动态卷积模块替代；对提取到的特征进行特征融合；对逐级融合的特征按照其尺寸大小分为四级输入到预测头中，对应着步骤3中的P2、P3、P4和P5层级； 步骤5：小目标检测 使用YOLOV8模型的预测头进行目标检测，检测前对步骤4中输入的4级特征均进行前处理操作；前处理操作的流程如下： 对步骤4中输入的特征Xi首先进行通道压缩，将每个通道的二维特征图压缩为一个实数； 其中，S是压缩后的特征向量，Xic是特征Xi第c个通道的特征，H和W表示特征Xi的高度与宽度； 接着将特征向量S通过两个全连接层和一个激活函数学习通道间的依赖关系，公式如下： E＝σW2δW1S 其中，W1是第一个全连接层的权重，W2是第二个全连接层的权重，S是上一步得到的特征向量，δ与σ分别是Relu函数与Sigmoid函数，E是学习到的通道权重； 将特征权重E按照一种特定的规则与原本的特征Xi进行相乘得到前处理后的特征Xi′，公式如下： 最终将得到的特征Xi′输入到对应层级的预测头中进行目标检测。

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理工大学，其通讯地址为：116024 辽宁省大连市甘井子区凌工路2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”。