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！

龙图腾网获悉中国科学院计算技术研究所申请的专利一种轻量级多任务视频流实时推理方法及系统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：CN115661712B 。

龙图腾网通过国家知识产权局官网在2025-09-26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：202211348871.3，技术领域涉及：G06V20/40；该发明授权一种轻量级多任务视频流实时推理方法及系统是由戴凌飞;刁博宇;李超;宫禄齐;徐勇军设计研发完成，并于2022-10-31向国家知识产权局提交的专利申请。

本一种轻量级多任务视频流实时推理方法及系统在说明书摘要公布了：本发明提出一种轻量级多任务视频流实时推理方法及系统，采用推理效率更高的目标检测模型作为检测基准模型，在其基础上增加可行驶区域分割头网络和多物体跟踪头网络来分别完成可行驶区域分割任务和多物体跟踪任务，通过共享主干网络和特征金字塔网络的方式减少参数量和计算量的冗余，通过级联知识蒸馏的端到端结构化迭代剪枝算法，进一步降低模型的计算量，有效提高了模型在边缘芯片硬件上的加速比，最终模型能够保证精度的同时在边缘端做到实时推理。

本发明授权一种轻量级多任务视频流实时推理方法及系统在权利要求书中公布了：1.一种轻量级多任务视频流实时推理方法，其特征在于，包括： 步骤1、获取包含驾驶场景的视频数据集，该视频数据集中包括多个视频流，视频流中视频帧具有标签文件，该标签文件包括目标锚框类别标签、行驶区域标签以及物体跟踪标签； 步骤2、获取具有主干网络和特征金字塔网络的原目标检测模型，在该特征金字塔网络的目标检测头网络增加两个分支网络，分别作为分割行驶区域头网络和物体跟踪头网络，得到多任务检测模型； 步骤3、以该视频数据集作为训练数据输入该多任务检测模型，并基于该多任务检测模型输出的目标锚框类别、行驶区域和物体跟踪结果，和该标签文件构建损失函数，以训练该多任务检测模型，得到教师模型，对该教师模型进行级联知识蒸馏的端到端结构化迭代剪枝处理，得到学生模型； 步骤4、将车辆行驶时采集的待识别的实时驾驶场景视频流输入该学生模型，得到包含目标检测结果、可行驶区域和目标跟踪结果的推理结果；根据该推理结果，控制该车辆执行辅助驾驶相关的控制任务； 该步骤3中训练该多任务检测模型具体包括： 多任务检测模型通过该主干网络对视频帧进行特征提取，得到不同尺度的特征图，通过该特征金字塔网络对不同尺度的特征图进行融合，通过不同任务的头网络进行解码得到输出并与标签计算损失函数binary-cross-entropy和CIOULoss，所述binary-cross-entropy具体为： LBCEy′i,yi＝-wi[yi*logy′i+1-yi*log1-y′i] 所述CIOULoss的公式具体为： 其中LBCE为binary-cross-entropy公式计算出的损失值，n为样本总数，a为预测输出，y为真实输出；LCIoU为CIOULoss公式计算出的损失值，IoU为预测框A和标签框B的交并集，bgt为标签框中心点位置，b为预测框中心点位置，ρ2b,bgt为预测框A和标注框B中心点之间的欧几里得距离，c为预测框A和标注框B之间最小外接矩形测对角线的长度，α为权重，为预测框A和标注框B之间长宽比的距离；A为预测框，B为标注框；wgt为标注框的宽，hgt为标注框的长，w为预测框的宽，h为预测框的长； 当总损失值达到预设标准时，得到目标模型，所述目标模型用于获取待识别视频帧并输出所述目标模型识别出的检测目标标签和可行驶区域分割标签，其中检测目标标签作为该物体跟踪头网络的输入；该物体跟踪头网络采用马氏距离与余弦距离度量跟踪目标与检测目标之间的损失函数；其中，马氏距离关联度为： 该余弦距离关联度量： 综合马氏距离和余弦关联度量的损失函数如下： ci,j＝λd1i,j+1-λd2i,j 其中，dj表示检测锚框的位置，yi表示对目标的预测位置，Si表示dj与yi之间的协方差矩阵，rj表示检测目标的特征向量，表示跟踪目标的特征向量，λ表示马氏距离度量的权重； 当损失ci,j达到预设标准时，得到教师网络。

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科学院计算技术研究所，其通讯地址为：100080 北京市海淀区中关村科学院南路6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。