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！

龙图腾网恭喜南京理工大学申请的专利一种用于空间目标同步检测与分割的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：CN114898092B 。

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：202210396418.3，技术领域涉及：G06V10/26；该发明授权一种用于空间目标同步检测与分割的方法是由王振东;宫辰;曹姝清设计研发完成，并于2022-04-15向国家知识产权局提交的专利申请。

本一种用于空间目标同步检测与分割的方法在说明书摘要公布了：本发明提出了一种用于空间目标同步检测与分割的方法，采用ResNet‑FPN提取出多层不同尺度的特征图，并对多层不同尺度的特征图进一步做融合，在不同尺度特征图上融合所有层的特征，尽可能保留浅层网络的边缘形状等信息和深层网络的语义信息，最后获得的特征表达能力更强，应对小物体遗漏、几何变换、图像退化等问题效果更鲁棒；设计多分类损失FocalLoss作为组件分类检测时的损失函数，以避免挖掘困难样本时，类别样本不均的问题，在不损失推理速率的前提下，对空间目标的检测和分割效果皆能保持稳定。

本发明授权一种用于空间目标同步检测与分割的方法在权利要求书中公布了：1.一种用于空间目标同步检测与分割的方法，其特征在于，所述方法包括：构建包括若干训练样本的训练样本集；所述训练样本中包括空间图像以及与空间图像对应的图像标记；所述图像标记包括空间图像中的检测标记、分割标记和类别标记，所述类别标记包括多种目标组件的类别标记；生成各训练样本的初始感兴趣区域集合；利用ResNet-FPN网络提取出各训练样本的多层特征图，并在每层特征图上融合其他所有特征图的特征，得到各训练样本的多层融合特征图；从训练样本的多层融合特征图中提取出所述训练样本各初始感兴趣区域的特征矩阵；构建目标检测与分割网络；所述目标检测与分割网络包括区域建议模型和检测分割模型；所述区域建议模型用于根据各初始感兴趣区域的特征矩阵判别对应的初始感兴趣区域是否属于背景，对所述初始感兴趣区域集合中的初始感兴趣区域进行筛选及优化；所述检测分割模型用于对空间图像中的多种目标组件进行类别标记预测、检测标记预测以及分割标记预测；在所述区域建议模型中对感兴趣区域的类别标记预测时，采用二分类损失作为其损失函数，而在所述检测分割模型中类别标记预测时，采用多分类损失FocalLoss作为其损失函数；利用各训练样本的多层融合特征图、所述初始感兴趣区域集合、各初始感兴趣区域的特征矩阵和所述训练样本集，分别对所述区域建议模型和所述检测分割模型进行训练，得到训练好的目标检测与分割网络；使用训练好的目标检测与分割网络，对待检测图像中的空间目标进行检测与分割；利用各训练样本的多层融合特征图、所述初始感兴趣区域集合、各初始感兴趣区域的特征矩阵和所述训练样本集，分别对所述区域建议模型和所述检测分割模型进行训练，具体包括：根据所述初始感兴趣区域集合、各初始感兴趣区域的特征矩阵和所述训练样本集，对所述区域建议模型中的第一分类检测分支进行迭代训练，得到训练好的区域建议模型；在对所述第一分类检测分支进行迭代训练的过程中，以各初始感兴趣区域的各个特征矩阵为所述第一分类检测分支的输入，以对应的感兴趣区域在空间图像中的类别标记和检测标记为所述第一分类检测分支的目标输出；利用训练好的所述区域建议模型对各训练样本的初始感兴趣区域集合进行优化，得到各训练样本的优化感兴趣区域集合；根据各训练样本的优化感兴趣区域集合，采用自适应ROIAlign算法从对应的训练样本的多层融合特征图中提取出各优化感兴趣区域对应的多个优化特征矩阵；各优化特征矩阵的尺寸相同；将各优化感兴趣区域对应的多个优化特征矩阵相加融合，得到各优化感兴趣区域对应的融合优化特征矩阵；根据各训练样本的融合优化特征矩阵集合和各训练样本的图像标记，依次对所述检测分割模型中的第二分类检测分支和分割分支进行迭代训练，得到训练好的检测分割模型；在对所述第二分类检测分支进行迭代训练的过程中，以训练样本的融合优化特征矩阵集合为所述第二分类检测分支的输入，以所述训练样本中的类别标记和检测标记为所述第二分类检测分支的目标输出；在对所述分割分支进行迭代训练的过程中，以训练样本的融合优化特征矩阵集合为所述分割分支的输入，以所述训练样本中的分割标记为所述分割分支的输出；所述各训练样本的融合优化特征矩阵集合包括各训练样本所有优化感兴趣区域对应的融合优化特征矩阵。

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南京理工大学，其通讯地址为：210094 江苏省南京市玄武区孝陵卫200号南京理工大学；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”。