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！

龙图腾网获悉重庆邮电大学申请的专利基于无锚框检测网络和特征再融合模块的小目标跟踪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：CN116309704B 。

龙图腾网通过国家知识产权局官网在2025-08-12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：202310138614.5，技术领域涉及：G06T7/246；该发明授权基于无锚框检测网络和特征再融合模块的小目标跟踪方法是由陈前斌;潘翔;唐伦设计研发完成，并于2023-02-20向国家知识产权局提交的专利申请。

本基于无锚框检测网络和特征再融合模块的小目标跟踪方法在说明书摘要公布了：本发明涉及一种基于无锚框检测网络和特征再融合模块的小目标跟踪方法，属于多目标跟踪技术领域，包括以下步骤：S1：利用无人机对目标对象进行图像采集，并将采集到的图像按照PascalVOC数据集的格式进行命名；S2：对图像进行预处理；S3：根据计算机内存、GPU能力和用户所需的识别效果和训练速度设计卷积神经网络输入图像的尺寸、识别种类的数量、训练次数、学习率，网络的层数；S4：对特征提取网络部分、检测部分和重识别部分的网络结构进行改进，得到改进的监测模型；S5：训练网络模型，训练结束后保存训练好的网络模型权重；S6：运用训练完成的网络模型权重进行识别。

本发明授权基于无锚框检测网络和特征再融合模块的小目标跟踪方法在权利要求书中公布了：1.一种基于无锚框检测网络和特征再融合模块的小目标跟踪方法，其特征在于：包括以下步骤： S1：利用无人机对目标对象进行图像采集，并将采集到的图像按照PascalVOC数据集的格式进行命名； S2：对图像进行预处理； S3：根据计算机内存、GPU能力和用户所需的识别效果和训练速度设计卷积神经网络输入图像的尺寸、识别种类的数量、训练次数、学习率，网络的层数； S4：对特征提取网络部分、检测部分和重识别部分的网络结构进行改进，得到改进的监测模型；步骤S4中所述对特征提取网络部分的网络结构进行改进，具体为基于YOLOv5的改进检测网络YOLOX，并加入特征融合模块； 所述YOLOX网络结构包括骨干网络，颈部和检测头部三个部分； 检测头部采用解耦合的方式将分类损失和边界框损失分别用不同检测分支处理，采用anchor-free的方式进行预测框的预测； 骨干网络采用CSPDarknet，整个主干部分由残差卷积组成，包括多个CSPLayer结构，CSPLayer分为两个部分，主分支根据网络设定的深度堆叠N个残差块，残差分支仅作少量处理后直接和主分支进行拼接，经过卷积层，BN层后经SiLU激活函数激活输入到下一层CSPLayer结构中，其中残差块也分为两部分，主干部分为1×1的卷积和3×3的卷积，残差边采用跳跃连接直接将主干的输入输出进行结合；将原骨干网络中下采样四倍得到分辨率为160×160的特征图加入到融合网络中； 颈部采用FPN-PAN的特征金字塔结构，FPN负责自底向上传递语义信息，PAN负责自顶向下传递位置信息和边缘信息； 将经过融合网络后的四层不同分辨率大小的特征图输入到特征再融合模块中，将经过FPN-PAN网络中输出的特征图P2_out,P3_out,P4_out和P5_out经过线性插值或最大池化操作，获得和P4_out同样大小的特征图；之后对所有特征图再执行相加和平均，获得平衡高语义和定位信息的统一特征图x，对特征图x采用非局部运算将某个位置的响应计算为所有位置的特征的加权和；然后用深度神经网络捕捉长距离依赖关系；最后将得到的特征图y恢复到融合前的特征图尺寸，并与相应的特征图进行再融合得到融合的特征图E2,E3,E4和E5，其公式如下： 其中k表示第k个特征图，i和j表示不同的位置； 采用嵌入的高斯非局部注意力来细化特征图； 计算i和所有其他可能关联位置j之间的成对关系，函数fxi,xj如下： 其中θxi＝Wθxi和是两个嵌入部分； 构建用于计算位置j处输入特征的特征值的函数gxj： gxj＝Wgxj 其中Wg是一个可学习的权重矩阵，在空间域中由1×1的卷积层实现； 计算归一化参数Sx： y经过相应缩放后得到特征图{y_1,y_2,y_3,y_4,y_5}，将其分别于对应的原始特征图P2_out,…,P5_out相加得到在融合后的特征图E2,…,E5，这些特征图将会用于网络的最终的判决： 所述对检测部分和重识别部分的网络结构进行改进，包括：增加额外的ReID的特征提取位置偏移分支来调整目标的ReID特征提取位置，检测分支计算出当前帧的目标中心位置oi＝oi x,oi y，ReID特征提取偏移分支输出位置偏移分量ei＝ei x,ei y，将物理框的中心位置加上偏移分量即为目标的ReID特征提取中心然后通过目标i的特征提取中心ci点处相邻的4个坐标使用双线性插值得到其特征向量Fi； S5：训练网络模型，训练结束后保存训练好的网络模型权重； S6：运用训练完成的网络模型权重进行识别。

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重庆邮电大学，其通讯地址为：400065 重庆市南岸区黄桷垭崇文路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”。