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！

龙图腾网获悉南京航空航天大学申请的专利基于多模态遥感图像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：CN119693811B 。

龙图腾网通过国家知识产权局官网在2025-12-02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：202411623544.3，技术领域涉及：G06V20/13；该发明授权基于多模态遥感图像的小目标检测方法是由闫钧华;景玮霖;杨熔;张寅;刘子健;崔重安设计研发完成，并于2024-11-14向国家知识产权局提交的专利申请。

本基于多模态遥感图像的小目标检测方法在说明书摘要公布了：本发明公开了一种基于多模态遥感图像的小目标检测方法，所述方法基于卷积神经网络和多模态遥感图像中目标的相同、互补和多层级特征，通过端到端的目标检测网络，在充分利用多模态遥感图像中的相关特征的同时提升对遥感图像小目标的检测精度。本发明充分利用配准后的多模态遥感图像的相同和互补特征，基于实际工程中遥感图像小目标存在尺寸小、特征弱的特性，提出一种针对此类小目标的多模态目标检测方法，该方法将多模态输入图像在像素级别进行融合，通过卷积神经网络逐层提取目标特征、跨层级融合多尺度目标特征、加权卷积注意力机制增强细微特征并提高整体辨识能力，形成端到端的目标检测网络，以达到对遥感图像小目标进行高精度高速率检测的目的。实验表明，本发明可以有效利用多模态遥感图像同时提升遥感图像小目标检测的查全率和查准率。

本发明授权基于多模态遥感图像的小目标检测方法在权利要求书中公布了：1.一种基于多模态遥感图像的小目标检测方法，其特征在于，所述检测方法的具体过程为： 步骤1：将多模态遥感图像输入像素级多模态融合模块，对多模态图像进行像素级融合并得到融合后的多模态特征图；所述步骤1中，所述像素级多模态融合模块具体为： 首先将多模态遥感图像输入像素级多模态融合模块，经过SE注意力机制层及卷积层提取特征后的图像与输入卷积层前的特征图逐像素相乘，再与输入的多模态遥感图像逐像素相加得到加权后的图像，再将加权后的图像进行第二次卷积操作，得到第一最终特征图； 将所述第一最终特征图与多模态融合模块中另一支路得到的最终特征图进行相加操作，然后经过SE注意力机制层形成第二最终特征图； 步骤2：将由步骤1得到的多模态特征图输入卷积神经网络的主干特征提取网络，由主干特征提取网络对多模态特征图进行采样，形成图像的多层级特征；在所述主干特征提取网络中包含加权卷积注意力模块，所述加权卷积注意力模块通过压缩多模态特征图的每个通道来提取信息，增强语义信息强的特征层的权重； 步骤3：将步骤2得到的特征图输入BSS-FPN特征金字塔进行特征融合，对所述多层级特征中的部分层级进行翻倍的上采样和下采样操作，对相邻特征提取层和跨尺度特征层的上下级特征进行融合，提取得到融合特征；所述步骤3中，BSS-FPN特征金字塔结构具体为： 对相邻特征提取层和跨尺度特征层的上下级特征进行融合，提取得到融合特征的过程具体为： 将步骤2得到的所述加权卷积注意力模块图MWCAM输入BSS-FPN特征金字塔中进行特征融合，对所述主干网络输出的p9进行翻倍的上采样； 相邻层级的特征和不同尺度的特征在特征金字塔中进行跨尺度特征融合； 首先，所述BSS-FPN特征金字塔包含特征p4特征图、p6特征图、p9特征图； 将p9特征图通过最近邻插值法上采样操作进行尺寸加倍，p6特征图与上采样后的p9特征图在节点p12处进行特征融合，p12特征卷积处理生成新的特征图p14； 将p4特征图与上采样后的p6特征图在融合处，即节点p17处与上采样后的p14特征图进行融合，生成新的特征图p17，将p17特征进行卷积处理，最终生成新的p19特征图； p19特征图在节点p20处于p14特征图和p6特征图进行跨层级融合；p20特征卷积在节点p23处与p10特征图进行跨层级融合；融合后的特征传递到p18特征图、p21特征图和特征图p24； 将p18特征图、p21特征图和特征图p24经过卷积处理后分别用于三个检测层，输出目标的位置和类别信息； 所述的特征融合由下式表示： p23＝p10+p20↓2×； 步骤4：使用三条支路的特征图进行目标预测；最后利用非极大值抑制算法Non-MaximumSuppressionNMS，得到目标检测结果。

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南京航空航天大学，其通讯地址为：213300 江苏省常州市溧阳市滨河东路29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。