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！

龙图腾网恭喜华东交通大学申请的专利基于改进RetinaNet的遥感图像目标检测模型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：CN117710827B 。

龙图腾网通过国家知识产权局官网在2025-05-06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：202410169692.6，技术领域涉及：G06V20/10；该发明授权基于改进RetinaNet的遥感图像目标检测模型是由刘伟;康紫文;程路;郑宇超;周庆忠;于洋设计研发完成，并于2024-02-06向国家知识产权局提交的专利申请。

本基于改进RetinaNet的遥感图像目标检测模型在说明书摘要公布了：本发明提供一种基于改进RetinaNet的遥感图像目标检测模型，本发明引入了改进的下采样模块，将其嵌入到RetinaNet骨干网络中，融合三种下采样方法对提取到的特征来生成下采样图像特征，增强模型捕获复杂细节的能力，利用核选择模块的卷积核选择机制动态选择空间感受野，增强模型提取并融合多尺度特征信息的能力，进而对多尺度的信息进行建模，最后得到目标物体的分类和回归结果，实验结果表明，本发明的模型在大规模遥感图像目标检测数据集DOTA上的全类平均准确率优于传统的RetinaNet目标检测模型，能够更精确地检测遥感目标。

本发明授权基于改进RetinaNet的遥感图像目标检测模型在权利要求书中公布了：1.一种基于改进RetinaNet的遥感图像目标检测系统，包括RetinaNet骨干网络、特征金字塔和分类回归子网，其特征在于，在所述RetinaNet骨干网络中引入改进的下采样模块，所述系统还包括核选择模块；所述骨干网络在进行残差学习时采用所述改进的下采样模块进行下采样，所述改进的下采样模块将输入的图像特征P复制为图像特征P1和图像特征P2，其中，P∈RH×W×C，R表示实数，W、H和C分别表示图像特征的宽度、高度和通道数量，所述改进的下采样模块对图像特征P1进行切片下采样，经过切片处理得到四个空间下采样后的图像特征C1、C2、C3和C4，切片下采样的过程，在通道维度，拼接图像特征C1、C2、C3和C4，得到新的图像特征，经过拼接，使图像特征P1的通道数量由C增加到4C，接着，再使用步长为1的1×1卷积运算将新的图像特征的通道数量压缩为2C，得到图像特征Q1；所述改进的下采样模块对图像特征P2采用两个分支进行处理，在其中一个分支，使用步长为1、尺寸为3×3的分组卷积GConv处理，然后使用步长为2的3×3卷积进行下采样，并使用GELU激活函数和归一化层，得到图像特征Q2；在另一个分支上，使用步长为1、尺寸为3×3的分组卷积GConv处理，并做最大池化和归一化处理，得到图像特征Q3；在通道方向上拼接图像特征Q1、Q2和Q3，并在拼接结果上使用1×1卷积层，得到图像特征；所述核选择模块根据输入图像的特性动态选择多种不同的卷积核融合特征；所述改进的下采样模块对图像特征P1进行切片下采样的过程中，满足以下条件式：Q1=ConvCutDP1；Q2=GELUBNDWConvDGConvP2；Q3=BNMaxPGConvP2；其中，式中，Conv、CutD、GELU、BN、DWConvD、GConv、MaxP分别表示卷积、切片处理、GELU激活函数、批量归一化、深度卷积、分组卷积和最大池化操作；图像特征满足以下条件式： ；其中，Concat表示在通道方向上连接特征的操作；在系统的检测任务头中，对于输入的图像特征K，所述核选择模块利用卷积核大小为3×3、5×5、7×7的三个空洞卷积来学习多尺度空间信息，得到三个不同尺度感受野的图像特征X1、X2、X3，其中，X1∈RH×W×C，X2∈RH×W×C，X3∈RH×W×C，接着，使用通道拼接融合X1、X2、X3，得到图像特征X，并在通道方向上拼接图像特征X的平均池化和最大池化的结果，然后，相继使用卷积和Sigmoid函数获取独立的空间选择掩码，再使用空间选择掩码对X1、X2、X3分别加权，分别得到图像特征F1、F2、F3，最后，对F1、F2、F3逐元素相加，得到带有注意力的融合特征，并将融合特征和输入的图像特征K进行逐元素相乘，获得图像特征；图像特征X1、X2、X3满足以下条件式：X2=DWConvX1；X3=DWConvX2；其中，DWConv表示空洞卷积；图像特征满足以下条件式： 。

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华东交通大学，其通讯地址为：330013 江西省南昌市经济技术开发区双港东大街808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”。