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！

龙图腾网获悉西安电子科技大学申请的专利基于权重再分配和任务对齐的遥感图像弱监督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：CN119540788B 。

龙图腾网通过国家知识产权局官网在2025-07-01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：202411636045.8，技术领域涉及：G06V20/13；该发明授权基于权重再分配和任务对齐的遥感图像弱监督目标检测方法是由王海;谭金林;王晨好;张敏;霍豫;成曦设计研发完成，并于2024-11-15向国家知识产权局提交的专利申请。

本基于权重再分配和任务对齐的遥感图像弱监督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权重再分配和任务对齐的遥感图像弱监督目标检测方法，主要解决现有检测方案邻域目标误分类、仅关注目标最显著区域以及分类分支与回归分支不一致的问题。方案包括：引入高质量正实例挖掘获取种子实例，依据实例间的空间和特征相似性确定邻域实例和背景实例；通过计算正实例之间的空间关系矩阵，筛选覆盖目标完整的实例，完成正实例权重再分配；同时考虑弱监督目标检测模型初期的不稳定性，引入任务对齐边框回归损失，通过设计任务对齐调制因子来动态调整权重，再将调制因子和实例的困难程度结合作为回归分支的权重。本发明能够避免邻域实例的误分类、关注目标整体，以及增加分类与回归分支的耦合性，有效提升检测性能。

本发明授权基于权重再分配和任务对齐的遥感图像弱监督目标检测方法在权利要求书中公布了：1.一种基于权重再分配和任务对齐的遥感图像弱监督目标检测方法，其特征在于，实现步骤包括如下： 1给定遥感图像其中H、W和B分别表示图像的宽、高和通道数；利用选择性搜索算法为遥感图像I生成M个目标候选框，组成目标候选框集合PR＝{pr1，pr2，…prm,…prM}，其中prm表示第m个目标候选框； 2将遥感图像I和目标候选框集合PR输入实例分类器在线优化模型OICR，该模型包括主干网络、多实例检测网络、实例分类优化分支和任务对齐边框回归分支；通过主干网络、感兴趣区域池化和两个全连接层得到所有目标候选框的特征向量并将其送入多实例检测网络，其中fm表示第m个目标候选框的特征向量； 3目标候选框特征向量输入多实例检测网络中的两个平行分支，分别经过两个分支后得到在类别c中的两个分数矩阵根据下式获取目标候选框在类别c中的类别置信得分矩阵 其中，⊙表示哈达曼达积，c为全部类别C中的任意一类； 根据下式获得图像级类别预测得分φc： 其中，表示第m个目标候选框在类别c中的类别置信度得分； 4在基准弱监督目标检测模型中添加K个平行的实例分类优化分支，通过将目标候选框特征向量输入第k个实例分类优化分支，得到目标候选框的类别置信度得分其中，C+1表示背景类别； 5以第k-1个分支的类别置信度得分作为高质量正实例挖掘的输入，得到初始种子实例集合再对其进行非极大值抑制操作，获取种子实例集合实现种子实例挖掘； 6通过空间相似性挖掘初始邻域实例，设定空间相似性判定阈值ζ，当第j个种子实例和其他实例之间的空间相似IoU大于阈值ζ时，判定该实例为初始邻域实例，反之判定为背景实例；得到种子实例的初始邻域实例集合 7通过实例之间特征相似性剔除误分类的初始邻域实例，设定特征相似性阈值δ，当第j个种子实例和初始邻域实例之间的特征相似性小于δ时，将该初始邻域实例判定为背景实例，得到第j个种子实例的邻域实例集合获取所有种子实例的邻域实例集合，得到第k个实例分类优化分支的实例级监督信息yk； 8通过正实例权重再分配策略为覆盖目标完整的正实例分配损失权重，首先针对种子实例和其邻域实例构建正实例子集SN，再计算SN中实例之间的空间关系，构建空间距离矩阵然后对G沿行方向求和得到空间距离向量寻找V中的最大值，挖掘覆盖目标完整实例rz，同时寻找正实例子集SN中拥有最高预测类别置信得分的实例rp，在正实例子集SN中，将实例rz和rp的损失权重进行交换，实现正实例权重再分配； 9构建第k个实例分类优化分支的损失函数 其中，表示目标候选框m在第k个分支中的损失权重，表示yk的第c行、第m列的元素；当等于1时，表示目标候选框m包含类别c的目标；等于0时，表示目标候选框m不包含类别c的目标；表示目标候选框m在第k个分支中类别c上的预测类别置信度得分； 10任务对齐边框回归分支对正实例进行边框回归，同时考虑正实例的困难程度和模型迭代次数，增加模型分类任务与回归任务之间耦合性，实现如下： 10.1设计随模型迭代动态变化的调制因子μ，用于保证训练的稳定性： 其中，t表示当前的迭代次数，T表示模型总迭代次数；σ表示用于调控增长率的超参数； 10.2将第k个实例分类优化分支的任务对齐边框回归损失定义如下所示： 其中，Pk表示第k个实例分类优化分支的正实例集合，|Pk|表示正实例集合中元素数量；表示第l个正实例在第k个实例分类优化分支中对应类别的预测类别置信得分；和gl分别表示第l个正实例的目标偏移量和预测偏移量； 11构建弱监督遥感图像目标检测模型的总体损失LALL： 其中，LWSDDN表示基准弱监督目标检测网络的损失函数，该损失函数根据步骤3中获得的图像级类别预测得分φc计算得到；K表示实例分类优化分支的数量； 12利用LALL训练整个弱监督遥感图像目标检测模型，将待测遥感图像及其目标候选框输入训练后的模型，获得图像中感兴趣目标的类别和位置，实现遥感图像弱监督目标检测。

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西安电子科技大学，其通讯地址为：710071 陕西省西安市雁塔区太白南路2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”。