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！

龙图腾网获悉西北工业大学申请的专利一种基于超网络和条件聚合的小样本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：CN117333655B 。

龙图腾网通过国家知识产权局官网在2026-03-17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：202311242681.8，技术领域涉及：G06V10/25；该发明授权一种基于超网络和条件聚合的小样本目标检测方法是由张艳宁;王鹏;赖岚清;蔚亚乐;索伟设计研发完成，并于2023-09-25向国家知识产权局提交的专利申请。

本一种基于超网络和条件聚合的小样本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超网络和条件聚合的小样本目标检测方法，首先采用共享权重的ResNet50卷积神经网络分别对待检测图像和新类实例进行特征提取；然后采用动态聚合模块生成与新类实例相关的特征向量，将这组特征向量作为超网络的条件向量，进而修正待检测图像不同区域的特征响应；最后基于多头跨注意力模块将待检测图像的局部特征和新类实例特征进行加强，再采用全局到局部的多关联匹配模块计算待检测图像的局部特征和新类实例特征的相似度，最终实现小样本目标检测。本发明实现了多层级交互待检测图像特征和新类特征的要求，降低了对大规模训练数据的依赖，实现了自适应动态的新类检测，为自然条件下小样本目标检测任务提供了一条新的思路。

本发明授权一种基于超网络和条件聚合的小样本目标检测方法在权利要求书中公布了：1.一种基于超网络和条件聚合的小样本目标检测方法，其特征在于，包括如下步骤： 步骤1：将待检测图像经过ResNet50卷积神经网络后，提取得到特征图并记为，，其中，表示特征图的空间分辨率，表示特征图的特征通道数； 步骤2：将一组新类实例图像经过与步骤1中的ResNet50卷积神经网络共享权重的ResNet50卷积神经网络得到一组特征图并记作，，其中，表示特征图的空间分辨率； 步骤3：将和送入到跨注意特征金字塔模块，其中，经、分别映射为、，经、、分别映射为、、；将和复制份后，分别与和拼接，得到和，、、、、均表示可学习参数矩阵；基于softmax将和的相似度转化为注意力权重，最终与做点积得到新类实例图像的增强特征，；上述过程用公式如下表示： 1 2 3 4 其中表示复制操作，表示拼接操作； 步骤4：引入动态聚合模块，该模块包括特征预聚合模块和动态关联模块； 首先，引入可学习矩阵，，，表示动态聚合模块的层数；对于第一层，经映射为，表示可学习的参数；经、分别映射为、，、均表示可学习的参数；基于softmax将复制份的和的相似度转化为注意力权重，最终与做点积得到新类实例的预聚合特征，；用公式表示如下： 5 6 7 步骤5：采用基于全局池化的动态关联模块描述不同预聚合特征向量的重要程度；首先，预聚合特征经过全局平均池化处理后，得到全局特征向量；然后，计算和的相似度，基于对进行加权平均后得到条件聚合特征；公式描述所示： 8 9 10 其中，GAP.表示全局平均池化； 步骤6：基于超网络修正待检测图像不同区域的特征响应； 首先，待检测图像特征经多头自注意力机制得到；其次，以条件聚合特征作为超网络的输入，引入可学习权重和，计算与待检测图像特征交互的特征矩阵和；最后，基于、修正待检测图像聚合特征不同区域的特征响应，得到，；公式如下所示： 11 12 13 14 其中，为正则化操作，和表示正则化系数；表示多头自注意力机制，和为可学习的偏置项； 步骤7：经过次修正后，分别得到待检测图像特征和新类实例特征； 利用RPN和ROI计算出个待检测图像候选区域特征，；将送入跨注意力特征金字塔模块中，分别得到 引入多关联匹配模块描述个待检测图像候选区域特征和新类实例特征的相似度；该模块的输入为，得到该模块的输出表示待检测图像候选区域特征和新类实例特征的局部相似矩阵。

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西北工业大学，其通讯地址为：710072 陕西省西安市碑林区友谊西路127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。