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！

龙图腾网获悉南京航空航天大学申请的专利一种基于轻量级特征融合的无人机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：CN115810157B 。

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：202211633735.9，技术领域涉及：G06V20/17；该发明授权一种基于轻量级特征融合的无人机目标检测方法是由周鹏;曹杰设计研发完成，并于2022-12-19向国家知识产权局提交的专利申请。

本一种基于轻量级特征融合的无人机目标检测方法在说明书摘要公布了：本发明公开一种基于轻量级特征融合的无人机目标检测方法，该方法能够针对无人机航拍的图像进行目标识别。对当前目标检测网络对图像小目标检测精度低以及网络参数量大难以实时检测等问题，首先通过使用深度可分离卷积DSC与CoordinateAttentionCA重新设计YOLOv4‑tiny的颈部特征提取模块；然后使用SPPF特征提取模块来增加提取特征的感受野信息，并且有效的保持模型的计算轻量化；最终使用DecoupledHead检测头模块使最终提取到的特征信息具有更强的空间联合性，更容易区分背景与待测目标，从而构建了一个全新的轻量级目标检测网络。

本发明授权一种基于轻量级特征融合的无人机目标检测方法在权利要求书中公布了：1.一种基于轻量级特征融合的无人机目标检测方法，其特征在于：所述方法包括： 步骤1，获取训练数据集，预处理后得到训练样本； 步骤2，将所述训练样本作为输入图像，通过CBL模块中的3×3卷积模块分别对输入图像进行语义特征信息提取，并最终将提取特征的通道信息增长至64维度，使用CBL模块中的BatchNormalization层对提取的特征进行规范化处理；最终使用CBL模块中的LeakyRelu激活函数增强网络模型的非线性因素； 步骤3，利用三个CSP残差模块CSPBlockl，CSPBlock2，CSPBlock3，对图像信息特征进行提取，其中分别输出中间层CSPBlock2，CSPBlock3的两个特征层，分别为第二特征层和第三特征层； 步骤4，基于注意力机制，分别对步骤3输出的第二特征层和第三特征层进行注意力权重分配更新第二特征层和第三特征层； 步骤5，采用特征融合模块对第三特征层进行不同尺度的感受野信息融合，更新第三特征层； 步骤6，对提取的特征层信息进行特征再提取，生成第一特征层，并更新第二特征层和第三特征层； 步骤7，对所述第一特征层、第二特征层以及第三特征层进行最终预测解析； 步骤8，调试从所述步骤2到步骤7的网络结构超参数，设置网络模型参数，以对网络模型进行训练，得到最终的训练模型； 所述步骤5具体包括： 步骤5-1，针对步骤4得到的第三特征层的特征信息使用三个卷积组成的ThreeConv对其进行特征再提取，首先使用1×1大小的卷积核对第三特征层进行降维处理，然后使用3×3深度可分离卷积进行特征提取，最后使用1×1的卷积调整输出的特征层维度更新第三特征层； 步骤5-2，基于级联特征提取模块SPPF，所述SPPF模块由三个5×5大小的最大池化层级联构成，分别生成了尺寸为5×5、9×9、13×13的最大池化层一样的感受野信息，将更新后的第三特征层通过SPPF模块进行特征再提取，并且将每个池化层上的输出特征以及SPPF模块的输入特征信息进行Concat拼接，进一步更新第三特征层； 步骤5-3，使用ThreeConv对更新后的第三特征层进行特征再提取，最终使用ThreeConv中1×1的卷积调整输出的特征层维度，进一步更新第三特征层； 所述步骤6具体包括： 步骤6-1，在网络主干提取模块新增一个下采样的特征提取层，基于注意力机制对空间以及位置信息进行融合生成第一特征层； 步骤6-2，将所述第一特征层、第二特征层以及第三特征层经过自底向上路径再次进行深层的特征融合，以更新第二特征层和第三特征层； 步骤6-3，再增加一条自顶向下路径，将第一特征层与第二特征层再次融合，同时不使用第二特征层与第三特征层进行融合，以更新第一特征层。

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航空航天大学，其通讯地址为：210016 江苏省南京市秦淮区御道街29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”。