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！

龙图腾网获悉南京理工大学申请的专利一种基于卷积神经网络的快速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：CN116091892B 。

龙图腾网通过国家知识产权局官网在2025-08-08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：202310104561.5，技术领域涉及：G06V10/82；该发明授权一种基于卷积神经网络的快速目标检测方法是由郭剑辉;李智强;陶叔银;李伦波;濮存来设计研发完成，并于2023-02-13向国家知识产权局提交的专利申请。

本一种基于卷积神经网络的快速目标检测方法在说明书摘要公布了：本申请公开了一种基于卷积神经网络的快速目标检测方法，FastDet网络主干网络包含通道拆分、跨阶段通道拼接、残差连接和通道混洗操作；颈部网络改进于YOLOv4Tiny，将原有的FPN改为交叉型FPN，进一步加强了特征融合，同时引入ECA注意力模块，加强对重点通道的关注度；检测头借鉴YOLOX设计思想，将类别预测和置信度、回归预测进行解耦，加快网络训练收敛速度，提升最终精度；正样本匹配部分采用改进版SimOTA*策略，确保了训练初期以及应对困难样本时能够匹配合适的正样本，稳定网络训练；损失函数部分采用SIOU损失，同时考虑重叠区域、中心点距离、边框的宽高与角度，最终优化边框回归精度。该方法作为一个通用的轻量级目标检测器，经过训练后应用于诸多计算机视觉任务。

本发明授权一种基于卷积神经网络的快速目标检测方法在权利要求书中公布了：1.一种基于卷积神经网络的快速目标检测方法，其特征在于，包括以下步骤： 步骤1、对需要检测的图像进行预处理； 步骤2、将预处理后的图像送入FastDet网络，所述FastDet网络是一种轻量级卷积神经网络，包括轻量级卷积模块FastLayer、ECA注意力机制、交叉FPN结构以及解耦的检测头；预处理后的图像依次经过主干网络、颈部网络和检测头，经过网络的特征提取，输出两张预测特征图； 步骤3、对FastDet网络进行训练，通过FastDet网络输出的特征图与图像标签计算得到损失，将损失通过反向传播一步步更新网络权值，从而使得网络具有检测特定目标的能力； 步骤4、基于训练好的模型，对FastDet网络输出的两个特征图进行解码得到所检测出的目标类别和边框信息，执行非极大值抑制过滤重复预测框；将最终预测框还原回原图尺度，绘制预测边框，完成目标检测； 步骤1具体为，将需要检测的图像缩放到预设大小，并将每个像素值除以255归一化到0～1之间；由于网络总共进行了5次宽高维的减半，需要确保缩放后的图片边长是32的倍数； 步骤2具体为，将预处理后的图像送入FastDet网络，依次经过主干网络、颈部网络和检测头；其中主干网络包含通道拆分、跨阶段局部拼接、残差连接和通道混洗操作；颈部网络包括ECA注意力机制和交叉FPN结构，能够加强特征融合能力；检测头设计成解耦的形式以及anchor-free的框架流程，加速网络训练收敛速度； 所述主干网络采用独立设计的FastLayer卷积模块进行特征提取，所述FastLayer卷积模块是一种包含通道拆分、跨阶段局部拼接、残差连接以及通道混洗的卷积模块；FastLayer模块首先会经过步幅为2的3×3卷积将特征图的宽和高减半；随后包含两个分支，左侧分支不进行任何处理，右侧分支先保存临时值，随后经过一系列步幅为1的3×3卷积后再与临时值相加，用于简化学习过程、预防梯度消失以及减少重复计算；随后，两个分支进行通道维的拼接，以此来进行通道升维操作，避免引入过多参数；最后进行分组数为4的通道混洗操作，在不引入额外参数的同时，使通道充分融合； 步骤3具体为，训练时，两个特征图将通过改进的SimOTA*正样本匹配策略来确定正负样本，随后计算边框回归损失、置信度损失和类别损失，其中边框回归损失采用SIOU方法，置信度损失和类别损失都采用二元交叉熵损失；最后通过反向传播来更新网络权值。

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；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”。