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！

龙图腾网获悉济南大学申请的专利一种基于自解码的特征增强网络优化方法及系统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：CN115018071B 。

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：202210624662.0，技术领域涉及：G06V20/10；该发明授权一种基于自解码的特征增强网络优化方法及系统是由徐涛;路丘;董吉文设计研发完成，并于2022-06-02向国家知识产权局提交的专利申请。

本一种基于自解码的特征增强网络优化方法及系统在说明书摘要公布了：本发明公开了一种基于自解码的特征增强网络优化方法及系统，包括以下步骤：S1、构建自解码器模块；S2、将自解码器模块引入到一般的基于卷积神经网络的物体检测模型中，将构建好的自解码器模块引入到物体检测模型的骨干网络；S3、划分物体检测数据集；S4、对数据集中的图像进行预测处理；S5、使用训练数据用物体检测模型和解码器进行协同训练；S6、将自解码器移除；S7、将验证数据送入到检测模型进行检测；S8、得到检测结果，将S7得到检测结果映射到原图的相应位置并标注预测的类别信息。本发明具有将强的嵌入型，且不增加预测时长，而且和更深的骨干网络的预测结果相比也不逊色。

本发明授权一种基于自解码的特征增强网络优化方法及系统在权利要求书中公布了：1.一种基于自解码的特征增强网络优化方法，其特征在于，包括以下步骤： S1、构建自解码器模块：构建一个由四个上采样模块和一个上采样操作组成的解码器；上采样模块的结构依次为：上采样→第一残差块→第二残差块→融合层；其中每个残差块的结构为：输入层→1×1卷积→3×3卷积→1×1卷积； 融合层是对输入到每个上采样模块的特征图做个1×1卷积和上采样后生成的特征图和最后一个残差块生成的特征图融合，其中残差块不会改变特征图的大小，每个1×1卷积的卷积核个数为输入通道的14，在每个卷积后面跟bn层和激活函数，最后一个上采样操作后跟一个sigmoid函数； S2、将自解码器模块引入到基于卷积神经网络的物体检测模型中，将构建好的自解码器模块引入到物体检测模型的骨干网络； S3、划分物体检测数据集； S4、对数据集中的图像进行预测处理； S5、使用训练数据用物体检测模型和解码器进行协同训练； 协同训练包括以下步骤： S51、将预处理的数据输入到骨干网络中进行特征提取，生成特征图C5，所述骨干网络为resnet50或resnet101； S52、将特征图C5送入到物体检测的检测头进行类别和边界框的预测，然后和真实标签计算交叉熵损失和边界框损失，所述检测头为YOLO检测头或FastR-CNN检测头； S53、将第一步生成的特征图C5送入到自解码器器模块进行四个上采样模块、一个上采样操作和sigmoid函数，然后输出和图像预处理后一样大小的特征图，然后计算预处理后的图像和特征图之间的均方差损失函数； S54、将S52和S53的损失函数同时回传更新整个网络结构； S6、将自解码器移除，检测时，不使用自解码器，移除自解码器，只使用原检测模型进行结果的预测； S7、将验证数据送入到检测模型进行检测； S71、将预处理的数据输入到骨干网络中进行特征提取，生成特征图C5； S72、将特征图C5送入到物体检测的检测头进行类别和边界框的预测，然后经过非最大值抑制NMS处理生成检测结果； S8、得到检测结果，将S7得到检测结果映射到原图的相应位置并标注预测的类别信息； S1、S2和S5中所描述的构建自解码模块以及自解码模块的嵌入训练，针对检测模型的骨干网络设计对应的自解码器，并使用构建的自解码器用于和物体检测模型进行协同训练，以增强骨干网络中的特征提取能力。

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济南大学，其通讯地址为：250000 山东省济南市南辛庄西路336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”。