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！

龙图腾网获悉北京理工大学申请的专利一种基于同心圆交并比的多点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：CN116310603B 。

龙图腾网通过国家知识产权局官网在2025-12-05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：202310158829.3，技术领域涉及：G06V10/766；该发明授权一种基于同心圆交并比的多点目标检测方法是由杨毅;高宇;许汐设计研发完成，并于2023-02-24向国家知识产权局提交的专利申请。

本一种基于同心圆交并比的多点目标检测方法在说明书摘要公布了：本发明提供了一种基于同心圆交并比的多点目标检测方法，属于计算机视觉领域，尤其涉及一种针对目标检测任务下24点目标表示法的有监督学习回归方法；本方法首先转换数据集格式，用以构建与发明回归方法相匹配的数据集真值格式；其次对模型输出数据构建同心圆表达，用以构成多项损失函数；接下来对转换格式后的数据集构建同心圆表达，用以构成多项损失函数；接下来利用模型输出数据的同心圆表达与真值数据集构成的同心圆表达进行损失函数计算，构成共计25项损失项；最后采用多任务回归方法，平衡各项损失学习复杂度，实现回归方法；该方法避免了传统多点目标表示回归法对随机多边形面积的计算与相交域面积计算过程，大大简化了回归策略的复杂性，可大幅度提高训练学习过程的收敛速度，使该方法可以投入实际工程应用。

本发明授权一种基于同心圆交并比的多点目标检测方法在权利要求书中公布了：1.一种基于同心圆交并比的多点目标检测方法，其特征在于，包含以下步骤： 第一步：构建多点目标表示法下的数据集真值信息，包括目标位置信息及类别信息，多点个数用N表示，具体包括： 步骤101，对给定图像的目标区域进行标注，记标记区域为mask，计算目标中心坐标； 步骤102，以目标中心坐标为射线出发点，等间隔顺时针构建N条射线，共与mask边界产生N个交点，依次记为x1,y1,x2,y2,...,xN,yN； 步骤103，取步骤102中的N个交点，分别对其进行相对于中心坐标xc,yc的欧式距离： 步骤104，取步骤101中的目标中心坐标，取步骤103中的N个欧氏距离，取目标的类别标签class，作为N点目标表示法的目标类别信息，其构成总表达方式定义为： [xc,yc,d1,d2,...,dN,class]； 第二步：对深度学习网络输出的预测目标中心坐标、N点轮廓坐标进行同心圆表达，共计N个同心圆，具体为： 步骤201，选择完成目标检测任务的深度学习网络模型，修改其输出数据格式与步骤104中N点表示法数据真值构成定义相同，共N+3项输出参数，记深度学习网络输出参数为[xpc,ypc,dp1,dp2,...,dpN,classp]； 步骤202，构建网络输出参数与真值信息间的数值转换关系，计算方式如下： 其中，wimg和himg表示目标检测任务输入图像的宽和高，i＝1,2,3,...,N，依次按照顺时针顺序进行计算，根据公式3构建同心圆表达，共计N个同心圆，计算方式如下： 其中，i＝1,2,3,...,N，依次按照顺时针顺序进行记录，记为[pd_c1,pd_c2,...,pd_cN]； 第三步：对真值信息中的中心坐标真值、N点轮廓坐标进行同心圆表达，共计N个同心圆，具体为： 步骤301，根据目标类别标签真值信息构建真值数据的同心圆表达，计算方式如下： 其中，i＝1,2,3,...,N，依次按照顺时针顺序进行记录，记为[gt_c1,gt_c2,...,gt_cN]； 第四步：对预测同心圆和真值同心圆进行交并比损失计算，对类别信息进行基于交叉熵的损失计算，具体为： 步骤401，利用步骤202与步骤301的预测同心圆与真值同心圆表达记录结果，构建单项损失函数，计算方式如下： Lossi＝1-GIOUcirpd_ci,gt_ci6 其中，GIOUcir计算方式为： 其中，S_c表示输入预测同心圆pd_ci与gt_ci的最大外接圆面积； IOUcir计算方式为： 其中，rmin和rmax分别表示当前相同索引编号的预测同心圆和真值同心圆中较小半径数值和较大半径数值，distcen表示当前相同索引编号的预测同心圆和真值同心圆的圆心欧式距离，t1和t2计算方式为： 步骤402，利用标准交叉熵损失计算方法计算真值类别class与预测类别classp的数值损失，记为Losscls，对步骤401中的Lossi，i＝1,2,3,...,N，依次按照顺时针顺序进行记录，共N项位置子损失项，记为[Loss1,Loss2,...,LossN]，将类别损失和位置损失项合并，形成最终损失项，记为[Loss1,Loss2,...,LossN,Losscls]，共N+1项子损失项； 第五步：引入多任务回归思想，对N+1个损失项进行任务复杂度评价，利用训练过程的梯度信息，建立多任务回归损失权重，具体为： 步骤501，记损失权重[w1,w2,...,wN,wcls]，与N+1项子损失项一一对应，回归过程全局损失函数为： 其中，wi表示位置损失项的权重系数； 步骤502，利用公式10作为最终全局损失函数，对深度学习网络模型进行反向传播与学习训练；完成后，将待检测图像输入到训练好的深度学习网络模型中，进行目标检测，输出目标类别； 步骤501中wi计算方法为： 其中，ratio_posi表示训练过程中位置损失函数中各项的变化率，ratio_cls表示训练过程中类别损失函数的变化率，T表示温度系数；ratio_posi与ratio_cls计算如下： 其中，t表示当前时刻，t-1表示当前时刻的上一轮训练时刻，wcls表示类别损失项的权重系数，其计算方法为：

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北京理工大学，其通讯地址为：100081 北京市海淀区中关村南大街5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。