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复杂环境的多尺度正向特征增益红外弱小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：CN115661443B 。

龙图腾网通过国家知识产权局官网在2025-09-05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：202211167891.0，技术领域涉及：G06V10/25；该发明授权复杂环境的多尺度正向特征增益红外弱小目标检测方法是由张铭津;杨辰尧;岳珂;许嘉敏;赵家盼;禹佳乐;李云松;高新波设计研发完成，并于2022-09-23向国家知识产权局提交的专利申请。

本复杂环境的多尺度正向特征增益红外弱小目标检测方法在说明书摘要公布了：本发明公开了一种复杂环境的多尺度正向特征增益红外弱小目标检测方法，构建并训练多尺度特征增强聚合网络，利用该网络中的残差特征补偿模块对红外图像进行背景抑制、目标增强操作。利用多尺度特征增强聚合网络中的选择性特征融合模块提取、学习并融合红外图像中的多种不同尺度的特征。本发明主要解决在复杂背景下的红外图像中检测其中的弱小目标问题，具有增强目标、抑制背景效果好，充分提取不同尺度特征获得红外目标各层次信息，检测红外弱小目标准确率高的优点。

本发明授权复杂环境的多尺度正向特征增益红外弱小目标检测方法在权利要求书中公布了：1.一种复杂环境的多尺度正向特征增益红外弱小目标检测方法，其特征在于，构建并训练多尺度特征增强聚合网络，利用该网络中的残差特征补偿模块对红外图像进行背景抑制、目标增强操作；利用选择性特征融合模块提取、学习并融合红外图像中的多种不同尺度的特征；该检测方法的步骤包括如下： 步骤1，构建残差特征补偿模块： 步骤1.1，搭建一个残差特征补偿模块，该模块中的输入层，卷积层组，拼接单元、卷积层，减法单元，激活层，乘法单元、加法单元、输出层依次串联，输入层分别与减法单元和加法单元相连；其中，卷积层组由两个卷积层组成； 步骤1.2,将输入层的通道参数设置为16；将卷积层组中的两个卷积层的卷积核大小分别设置为5×5，3×3，滑动步长均设置为1，输出通道设置为16；将残差特征补偿模块中的卷积层的卷积核大小设置为1×1，滑动步长设置为1；激活层中的激活函数采用ReLU；将乘法单元设置为将图像乘以线性放大因子β，β为在[1,4]的取值范围内选取的任意一个实数； 步骤2，构建选择性特征融合模块： 搭建一个包括第一输入层、第二输入层、第三输入层、低精炼子模块，中精炼子模块、加法单元、输出层的选择性特征融合模块；其中： 所述低精炼子模块、加法单元、输出层依次串联；低精炼子模块由输入组、反卷积组、卷积组、内积单元依次串联组成，输入组与内积单元连接；输入组由第一输入层、第二输入层、第三输入层组成；卷积组由三个卷积层组成；反卷积组由两个反卷积层组成；将第一至第三输入层通道参数分别设置为64，32，16；将反卷积组中两个反卷积层卷积核大小均设置为3×3，滑动步长均设置为1；将卷积层组中三个卷积层卷积核大小均设置为3×3，滑动步长均设置为1；将输出通道设置为16； 所述中精炼子模块与加法单元连接，第一输入层与乘法单元相连；中精炼子模块由第二输入层、池化层、激活层、乘法单元、反卷积层依次串联而成；将池化层的池化窗口尺寸设置为2×2，滑动步长设置为2，池化层的激活函数采用ReLU；激活层中的激活函数采用Sigmoid函数；将反卷积层中卷积核大小设置为3×3，滑动步长设置为1； 步骤3，构建残差卷积组、残差反卷积组： 步骤3.1，搭建第一至第三残差卷积组，每个残差卷积组由四个结构和参数均相同的残差卷积单元依次串联而成；所述残差卷积单元的结构为，输入层、第一卷积层、第一池化层、第二卷积层、加法单元、第二池化层、输出层依次串联，输入层还与加法单元相连；第一、第二池化层的激活函数采用ReLU，将三个残差卷积组中的第一、第二卷积层卷积核大小均设置为3×3，滑动步长均设置为1，输出通道分别设置为16、32、64； 步骤3.2，搭建第一、第二残差反卷积组，每个残差反卷积组由四个结构和参数均相同的残差反卷积单元依次串联而成；所述残差反卷积单元的结构为，输入层、第一反卷积层、第一池化层、第二反卷积层、加法单元、第二池化层、输出层依次串联，输入层还与加法单元相连；第一、第二池化层的激活函数采用ReLU，将两个残差反卷积组中的第一、第二反卷积层卷积核大小均设置为3×3，滑动步长均设置为1，输出通道分别设置为32、16； 步骤4，构建多尺度特征增强聚合网络： 步骤4.1，搭建一个U-Net子模块包括输入层、第一残差卷积组、第二残差卷积组、第三残差卷积组、第一合并单元、第一残差反卷积组、第二合并单元、第二残差反卷积组、第一输出层、第二输出层、第三输出层，其结构为：输入层、第一残差卷积组、第二残差卷积组、第三残差卷积组、第一合并单元、第二合并单元、第二残差反卷积组依次串联；第一残差卷积组还与第二合并单元相连，第二残差卷积组还与第一合并单元相连，第三残差卷积组还与第一输出层相连，第一残差反卷积组还与第二输出层相连，第二残差反卷积组还与第三输出层相连； 步骤4.2，将输入层、卷积层、残差特征补偿模块、U-Net子模块、选择性特征融合模块、输出层依次串联组成多尺度特征增强聚合网络；将卷积层卷积核大小设置为3×3，滑动步长设置为1，输出通道设置为16； 步骤5，生成训练集： 步骤5.1，选取至少400张红外图像组成样本集； 步骤5.2，将样本集中的红外图像依次进行随机镜像、随机放缩、扩充裁剪、高斯模糊处理； 步骤5.3，将每张处理后的图像进行归一化处理，将归一化处理后的所有样本组成训练集； 步骤6，训练多尺度特征增强聚合网络： 将训练集输入到多尺度特征增强聚合网络中，利用交叉熵骰子混合损失函数计算所选取的红外图像输入到多尺度特征增强聚合网络后，多尺度特征增强聚合网络的损失值，利用随机梯度下降法的梯度优化算法对网络参数进行优化，迭代更新多尺度特征增强聚合网络的权重值，直至网络的交叉熵骰子混合损失函数收敛为止，得到训练好的多尺度特征增强聚合网络； 步骤7，对红外弱小目标进行检测： 步骤7.1，将待检测的红外图像依次进行裁剪、归一化处理； 步骤7.2，将归一化处理后的红外图像输入到训练好的多尺度特征增强聚合网络中检测图像中的红外小目标；将网络输出图像中由多个像素值为1的像素点组成的区域作为检测到的小目标区域，像素值为0的像素点代表未检测到小目标的区域。

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”。