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！

龙图腾网获悉广东工业大学申请的专利一种基于深度学习的雾霾场景下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：CN120014233B 。

龙图腾网通过国家知识产权局官网在2025-09-30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：202510091973.9，技术领域涉及：G06V10/25；该发明授权一种基于深度学习的雾霾场景下小目标检测方法是由谢国波;罗楷聪;黄荍;黄小兵;王泽玮;苏庆;林志毅;肖峰;黄剑锋;连凯设计研发完成，并于2025-01-21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雾霾场景下小目标检测方法在说明书摘要公布了：本发明公开的属于目标检测技术领域，具体为一种基于深度学习的雾霾场景下小目标检测方法，包括具体步骤如下：构建雾霾场景下小目标检测原始数据集，或使用现有公开的雾霾场景下小目标检测数据集；先采集雾霾环境下的小目标图像数据，接着使用标注工具对小目标的位置进行框选，并进行标签标注；对雾霾场景下小目标检测原始数据集进行预处理，得到预处理后的雾霾场景下小目标数据集，并对数据集进行划分，以便后续对基于深度学习的雾霾场景下小目标检测模型进行训练。本发明在处理雾霾场景下的小目标检测任务时，能够更准确地捕捉和识别小目标的细节特征，有效地减少了雾霾对小目标特征的干扰。

本发明授权一种基于深度学习的雾霾场景下小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雾霾场景下小目标检测方法，其特征在于，包括具体步骤如下： S1：构建雾霾场景下小目标检测原始数据集，或使用现有公开的雾霾场景下小目标检测数据集；先采集雾霾环境下的小目标图像数据，接着使用标注工具对小目标的位置进行框选，并进行标签标注； S2：对雾霾场景下小目标检测原始数据集进行预处理，得到预处理后的雾霾场景下小目标数据集，并对数据集进行划分，以便后续对基于深度学习的雾霾场景下小目标检测模型进行训练； S3：构建雾霾场景下小目标检测网络FASOD‑NET；具体步骤如下： S31：将雾霾场景图像输入至去雾与浅层特征提取模块中，其去雾与浅层特征提取模块的构建与执行过程为： S311：对输入的雾霾场景图像应用包含3×3卷积、归一化和激活函数的CBS操作，得到雾霾浅层特征图F1； S312：将F1输入至多尺度融合大卷积核增强模块MSE‑LKC，得到F2； S313：将F2输入至并行增强注意力模块PEA中，得到F3； S314：将F3与F1输入到Fusion中进行通道维度融合，通过融合不同层次的特征得到最终输出的特征图F4； S32：将F4输入至精细特征捕捉多通道卷积模块中，得到F5； S33：将F2、F3、F5输入至多尺度特征整合增强检测模块中，得到带有小目标标注的检测结果图像； 所述S312中MSE‑LKC模块的运行和构建过程为： S3121：对输入F1进行批归一化处理得到特征图F1_1，随后使用大小为7×7的卷积核对F1_1进行卷积操作提取特征得到特征图F1_2，再使用大小为5×5的卷积核对F1_2进行卷积操作得到第一阶段的特征图F1_3； S3122：将F1_3分别输入至扩张率大小为7×7的深度扩张卷积模块、扩张率大小为13×13的深度扩张卷积模块、扩张率大小为19×19的深度扩张卷积模块进行提取多尺度特征，分别生成对应的三个特征子图F1_4、F1_5和F1_6；随后，通过C操作将F1_4、F1_5和F1_6在通道维度上进行拼接，得到融合后的特征图F1_7； S3123：将F1_7输入到一个大小为1×1的卷积核中进行卷积操作得到特征图F1_8，将F1_8经过GELU激活函数处理后得到特征图F1_9，对F1_9进行Conv1×1卷积操作得到最终输出特征图F1_10； S3124：通过残差连接将F1与F1_10相加，形成具有更强表征能力的特征图F2； 所述S313中PEA模块的构建与执行过程为： S3131：对F2进行批归一化，以标准化特征分布，提高模型的稳定性和收敛速度，得到归一化后的特征图F2_1； S3132：将F2_1分别输入三个注意力模块： S31321：像素级注意力模块对F2_1的空间维度进行处理，提取局部显著性信息，得到增强后的特征子图F2_2； S31322：通道级注意力模块对F2_1的通道维度进行操作，捕捉全局上下文信息，得到权重调整后的特征子图F2_3； S31323：简单像素级注意力模块采用简化机制对F2_1进行处理，补充其他模块的特征提取能力，得到特征子图F2_4； S3133：将F2_2、F2_3和F2_4在通道维度上进行拼接，得到融合后的特征图F2_5； S3134：对F2_5进行Conv1×1卷积操作，实现特征降维，并通过GELU激活函数对特征图进行非线性变换，得到处理后的特征图F2_6；再对F2_6进行Conv1×1卷积操作，进一步提取特征并适应后续任务，得到特征图F2_7； S3135：通过残差连接将F2与F2_7相加，得到最终输出特征图F3； 其中，应用PEA对F2进行处理，得到F3的过程如下式所示： F2_1＝BatchNormF2F3＝F2+Conv1_1GELUConv1_1CPAF2_1，CAF2_1，SPAF2_1其中，BatchNorm表示批归一化操作；Conv1_1表示大小为1×1的卷积操作；GELU表示应用激活函数GELU；SPA表示简单像素级注意力模块；CA表示通道级注意力模块；PA表示像素级注意力模块；C表示在通道维度上进行拼接操作；+表示残差连接操作； S4：在构建的雾霾场景小目标检测网络FASOD‑Net模型基础上，训练并更新各层的参数；首先初始化所有神经网络参数，设置模型相关的超参数，包括训练轮次、批处理大小、权重衰减系数、学习率以及总迭代次数； S5：雾霾场景小目标检测模型训练完后，应用训练好的雾霾场景小目标检测模型对雾霾场景图像进行小目标检测；最终输出雾霾场景下的小目标检测结果，包括小目标边界框坐标、小目标类别标签和置信度分数。

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工业大学，其通讯地址为：510000 广东省广州市东风东路729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。