Document
拖动滑块完成拼图
个人中心

预订订单
服务订单
发布专利 发布成果 人才入驻 发布商标 发布需求

在线咨询

联系我们

龙图腾公众号
首页 专利交易 科技果 科技人才 科技服务 国际服务 商标交易 会员权益 IP管家助手 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索
当前位置 : 首页 > 专利喜报 > 恭喜南京航空航天大学张瀚丹获国家专利权

恭喜南京航空航天大学张瀚丹获国家专利权

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!

龙图腾网恭喜南京航空航天大学申请的专利基于注意力机制的多尺度SAR图像舰船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:CN117911760B

龙图腾网通过国家知识产权局官网在2025-04-04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:202410020881.7,技术领域涉及:G06V10/764;该发明授权基于注意力机制的多尺度SAR图像舰船检测方法是由张瀚丹;吴一全设计研发完成,并于2024-01-05向国家知识产权局提交的专利申请。

基于注意力机制的多尺度SAR图像舰船检测方法在说明书摘要公布了:本发明公开了一种基于注意力机制的多尺度SAR图像舰船检测方法,首先获得SAR图像舰船数据集并将其划分为训练集、验证集和测试集;然后以YOLOv7为基础模型,改进主干网络和特征融合网络,并向改进的主干网络中加入坐标注意力模块,构建多尺度SAR图像舰船目标检测网络SSYOLO;接着,基于训练集、验证集和测试集对目标检测网络SSYOLO进行训练,得到SAR图像舰船目标检测模型;最后向SAR图像舰船目标检测模型中输入待检测图像,获得检测结果。本发明提高了SAR图像舰船检测的准确性,不仅能够在复杂的海洋背景下准确定位船舶目标,而且能够减少大量的人工监视成本,有助于海洋交通管制、渔业管理、环境保护、灾害救援等应用。

本发明授权基于注意力机制的多尺度SAR图像舰船检测方法在权利要求书中公布了:1.基于注意力机制的多尺度SAR图像舰船检测方法,其特征在于,包括以下步骤:步骤1),获得SAR图像舰船数据集并将其划分为训练集、验证集和测试集;步骤2),以YOLOv7为基础模型,改进主干网络和特征融合网络,并向改进的主干网络中加入坐标注意力模块,构建多尺度SAR图像舰船目标检测网络SSYOLO;步骤2.1),改进主干网络;步骤2.1.1),建立L-ELAN模块;所述L-ELAN模块包含第一至第三普通卷积块以及第一至第四深度可分离卷积块,其中,第一至第三普通卷积块结构相同,均包含普通卷积、归一化BN层、激活函数SiLU;第一至第四深度可分离卷积块结构相同,均包含深度可分离卷积、归一化BN层、激活函数SiLU;第一普通卷积块、第一至第四深度可分离卷积块依次相连,第一、第二普通卷积块的输入端相连后作为L-ELAN模块的输入端,第一普通卷积块的输出端、第二普通卷积块的输出端、第二深度可分离卷积块的输出端、第四深度可分离卷积块的输出端按通道拼接后输入至第三普通卷积块的输入端,第三普通卷积块的输出端作为L-ELAN模块的输出端;步骤2.1.2),将YOLOv7中的第一个、第四个ELAN模块替换成L-ELAN模块;步骤2.2),改进特征融合网络:步骤2.2.1),在改进主干网络后的YOLOv7的特征融合网络自顶向下的路径中将所有结点替换成加权特征融合结点,加权特征融合结点的加权公式如下: ;其中,O是加权特征融合结点的输出特征图,表示第个输入特征图,表示第个特征图对应的权重,表示第个特征图对应的权重,表示对所有权重进行求和;为预设的任意一个很小的正数,避免分母为0;步骤2.2.2),在替换所有结点后的YOLOv7中加入跳层连接,将其主干网络输出的40×40尺度特征图直接和其特征融合网络自下向上路径中相同尺度的特征图相连;步骤2.3),向改进的主干网络中加入坐标注意力模块;步骤2.3.1),建立LECA模块;所述LECA模块包含第四至第六普通卷积块、第五至第八深度可分离卷积块、以及第一至第二坐标注意力单元,其中,第四至第六普通卷积块结构相同,均包含普通卷积、归一化BN层、激活函数SiLU;第五至第八深度可分离卷积块结构相同,均包含深度可分离卷积、归一化BN层、激活函数SiLU;第一至第二坐标注意力单元结构相同,均采用坐标注意力机制;第四普通卷积块、第五至第八深度可分离卷积块、第一坐标注意力单元依次相连,第四、第五普通卷积块的输入端相连后作为LECA模块的输入端,第五普通卷积块的输出端、第二坐标注意力单元的输入端相连,第四普通卷积块的输出端、第六深度可分离卷积块的输出端、第一坐标注意力单元的输出端、第二坐标注意力单元的输出端按通道拼接后输入至第六普通卷积块的输入端,第六普通卷积块的输出端作为LECA模块的输出端;步骤2.3.2),将加入跳层连接的YOLOv7的主干网络中第二个、第三个ELAN模块替换成LECA模块;步骤3),基于训练集、验证集和测试集对目标检测网络SSYOLO进行训练,得到SAR图像舰船目标检测模型,用于识别不同尺度和场景下的舰船;步骤4),向SAR图像舰船目标检测模型中输入待检测图像,获得检测结果。

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”。

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。