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！

龙图腾网恭喜南京邮电大学申请的专利一种数据与模型双重不确定性感知的无人机航拍目标可信识别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：CN116740587B 。

龙图腾网通过国家知识产权局官网在2025-03-28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：202310366770.7，技术领域涉及：G06V20/17；该发明授权一种数据与模型双重不确定性感知的无人机航拍目标可信识别方法是由张宸冉;鲍杨锐;魏铭宇;陈蕾设计研发完成，并于2023-04-07向国家知识产权局提交的专利申请。

本一种数据与模型双重不确定性感知的无人机航拍目标可信识别方法在说明书摘要公布了：一种数据与模型双重不确定性感知的无人机航拍目标可信识别方法，包括步骤：采集无人机航拍数据集，对数据进行预处理，对处理后的数据进行标注，构建训练集、验证集和测试集；构建融合AvUC损失正则化的二阶概率建模和改进focalloss的可信目标检测模型；用训练集训练构建的可信目标检测模型，并用验证集进行最佳模型选择，得到训练后的可信目标检测模型；将测试集的测试图像输入训练后的可信目标检测模型，得到图像中各目标的定位信息和分类信息，以及定位信息的数据不确定性、模型不确定性和分类信息的整体不确定性，通过不确定性来反应模型的可靠程度，进而实现无人机航拍可信目标检测。本方法为风险敏感的无人机航拍目标检测应用提供重要辅助决策依据。

本发明授权一种数据与模型双重不确定性感知的无人机航拍目标可信识别方法在权利要求书中公布了：1.一种数据与模型双重不确定性感知的无人机航拍目标可信识别方法，其特征在于：所述方法具体包括如下步骤：步骤1，采集无人机航拍数据集，对图像数据进行预处理，对处理后的图像数据进行标注，构建训练集、验证集和测试集；步骤2，构建融合AvUC损失正则化的二阶概率建模和改进focalloss的可信目标检测模型；所述步骤2具体包括如下分步骤：步骤2-1，使用证据深度学习EDL对模型分类和回归的输出进行二阶概率建模，进而显式建模数据和模型双重不确定性；对于分类问题，视模型输出的结果为类别概率，服从类别分布，由下式形式化表示： 其中，K为类别个数，SK是K维类别分布参数K的空间，pk为第k个类别的类别概率；对于回归问题，视模型输出的结果为高斯随机变量，服从高斯分布，由下式形式化表示：y～NWTx,σ22其中，W为神经网络的参数，x为输入的数据，σ2为噪声；EDL对类别分布和高斯分布进行二阶概率建模，即认为类别分布的参数p服从类别分布的二阶分布即狄利克雷分布Dirichlet，高斯分布的参数μ,σ2服从高斯分布的二阶分布即正态逆伽马分布NIG；步骤2-2，对引入了EDL的Retinanet目标检测网络的分类和回归输出模块进行改造；以Retinanet为基线目标检测网络，根据EDL二阶概率建模，对网络的架构进行改造以完成对图像的特征进行提取和二阶概率建模的任务；步骤2-3，对于输出的分类和回归的二阶分布参数，使用0证据损失函数对负样本进行优化求解，使用融合AvUC损失正则化的二阶概率建模和改进focalloss的损失函数对于正样本进行优化求解；步骤2-3，对于输出的分类和回归的二阶分布参数，使用融合AvUC损失正则化的二阶概率建模和改进focalloss的损失函数对正样本进行优化求解，使用0证据损失函数对负样本进行优化求解；目标检测任务中，将预测框分为正样本、负样本和忽略3个类别；其中，正样本指该预测框所对应的锚框与所有真实框的最大交并比IOU大于0.5的样本，即框中物体的预测框、负样本指该预测框所对应的锚框与所有真实框的最大交并比IOU小于0.4的样本，即框中背景的预测框、忽略是指该预测框所对应的锚框与所有真实框的最大交并比IOU属于0.4到0.5之间的预测框；在对模型输出结果进行二阶概率建模不确定性感知的基础上，负样本的分类和回归都应该产生0证据；对于分类，0证据的Dirichlet分布参数为全1向量，即Dpi|1,…,1，损失函数为负样本输出的Dirichlet分布与该0证据Dirichlet分布的KL散度： 其中，αi为输出的Dirichlet分布参数，1是全1向量，Dpi|1为0证据Dirichlet分布，即均匀分布，具体为： 其中，αik为对于类别k的Dirichlet分布参数，Γ·是gamma函数，ψ·是digamma函数；对于回归，0证据的NIG分布的证据强度Φ＝2ν+α应该为0，损失函数为NIG分布的证据强度的L1范数： 对于正样本，由于目标中不同类别的数量也存在显著差别；数量较多的类别会主导正样本的损失函数，成为容易样本，而数量较少的类别成为难样本，得不到有效的训练；因此，在EDL分类损失函数中引入多类focalloss来自适应的赋权不同难度的类别在损失函数中的权重；具体的，先定义MSE贝叶斯风险损失来学习主观意见的证据，用于建模二阶狄利克雷分布： 其中，为MSE算子，i表示样本，ci表示标签；具体为： 此损失函数第一项用于保证分类的拟合，第二项用于减小输出的方差；然后，引入多类focalloss损失的MSE贝叶斯风险损失变为 其中，δ为focalloss的超参数；为了让错误的类标产生更小的证据，损失函数中需要加入KL散度正则项： 其中是去除了正确类标的证据对应的Dirichlet分布参数，此Dirichlet分布应该等于参数全为1的Dirichlet分布Dpi|1,…,1，即不提供任何证据的均匀分布，1是全1向量；具体为： 为了使得模型对分类正确的样本输出较小的不确定性，分类错误的样本输出较大的不确定性使不确定性估计更加可靠，引入了AvUC损失，其表达式如下： 其中，是退火系数，epoch是当前的训练轮数，T是总训练轮数，pi＝max{αikSi}；综上，正样本分类的总损失函数为： 其中，λe是退火系数，epoch是当前训练轮数，用于防止模型在早期收敛于均匀分布；对于正样本中的回归任务，根据Type-2最大似然估计，得到高斯随机变量的Type-2最大似然函数，对该似然函数取负对数，并优化求解，用于建模二阶正态逆伽马分布： 其中，i表示样本，yi表示标签；具体为： 其中，Ω＝2βi1+νi；与分类类似，为了让错误的预测产生更小的证据，损失函数中需要加入正则项： 综上，正样本回归的总损失函数为： 其中，λ为正则项权重；综上，融合AvUC损失正则化的二阶概率建模和改进focalloss的可信目标检测模型的损失函数为： 其中，和为指示函数，表示当前预测框是正样本还是负样本；通过优化这个损失函数，就可以完成融合AvUC损失正则化的二阶概率建模和改进focalloss的可信目标检测模型的优化；步骤3，用训练集训练构建的可信目标检测模型，并用验证集进行最佳模型选择，得到训练后的可信目标检测模型；步骤4，将测试集的测试图像输入训练后的可信目标检测模型，得到图像中各目标的定位信息和分类信息，以及定位信息的数据不确定性、模型不确定性和分类信息的整体不确定性，通过不确定性来反应模型的可靠程度，不确定性越高说明模型对于预测框的输出结果越不可靠，进而实现无人机航拍可信目标检测。

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邮电大学，其通讯地址为：224008 江苏省盐城市盐南高新区大数据产业园创新大厦南楼15层；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”。