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！

龙图腾网获悉上海交通大学申请的专利复杂环境下的舰船图像目标检测方法与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：CN115880495B 。

龙图腾网通过国家知识产权局官网在2025-09-12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：202211658135.8，技术领域涉及：G06V10/30；该发明授权复杂环境下的舰船图像目标检测方法与系统是由刘少冬;饶若楠;薛广涛;蒋丰亦设计研发完成，并于2022-12-22向国家知识产权局提交的专利申请。

本复杂环境下的舰船图像目标检测方法与系统在说明书摘要公布了：一种复杂环境下的舰船图像目标检测方法与系统，在离线阶段通过采集对原始的舰船图像进行预处理；基于FDDEA算法和AASST策略构建舰船目标检测深度神经网络，将预处理后的图像作为训练样本对舰船目标检测网络进行训练；在在线阶段将测试图像或实际舰船图像输入训练后的舰船目标检测深度神经网络中，得到舰船目标的预测框和分类。本发明通过基于舰船图像特征去噪膨胀编码算法和自适应舰船目标正负样本分配策略，显著提升复杂环境下舰船目标检测的精度。

本发明授权复杂环境下的舰船图像目标检测方法与系统在权利要求书中公布了：1.一种复杂环境下的舰船图像目标检测方法，其特征在于，在离线阶段通过采集对原始的舰船图像进行预处理；基于FDDEA算法和AASST策略构建舰船目标检测深度神经网络，将预处理后的图像作为训练样本对舰船目标检测网络进行训练；在在线阶段将测试图像或实际舰船图像输入训练后的舰船目标检测深度神经网络中，得到舰船目标的预测框和分类； 所述的舰船目标检测深度神经网络包括：基于Resnet框架的主干网络、特征金字塔模块、基于FDDEA的特征增强去噪模块和基于AASST策略的检测头，其中：主干网络从预处理后的图像中提取出特征图；FPN根据不同层次的特征图进行自上而下的二次融合，得到融合特征图；特征增强去噪模块对融合特征图进行特征加强提取和特征去噪；检测头分别在每层特征图上进行检测并得到最终的预测框； 所述的基于FDDEA算法和AASST策略构建舰船目标检测深度神经网络后，将预处理后的图像作为训练样本对舰船目标检测网络进行训练，具体包括： 步骤2.1：将预处理后的图像输入到主干网络ResNet中，通过残差卷积提取不同层次的特征； 步骤2.2：通过Bottomup，获得backbone不同阶段输出的不同尺寸的特征图，然后通过Topdown的方式，从最顶层的特征图出发，通过上采样，与下一级特征图相加； 步骤2.3：使用基于FDDEA算法的特征增强去噪模块对特征图进行增强去噪，具体步骤包括： 步骤2.3.1：首先根据FPN输出的特征图{P2,P3,P4,P5}，对P2上采样得到P1，对P5上采样得到P6，将最终得到的{P1,P2,P3,P4,P5,P6}作为输入特征膨胀编码器的输入； 步骤2.3.2：特征膨胀编码器基于残差网络和空洞卷积，针对输入的每一层特征图，首先进行一次1x1的卷积加Relu激活函数，然后接上一个3x3的空洞卷积加Relu激活函数，之后再接一个1x1的卷积加Relu激活函数，最后将卷积模块的输出和最初的输入相加得到残差膨胀模块的输出，具体为：，其中：为残差膨胀模块的输入，为进行一次卷积核为1×1的常规卷积和一次RELU激活函数，r为空洞卷积的扩张率，为对输入x进行一次卷积核为3×3、扩张率为r的空洞卷积和一次RELU激活函数，O为残差膨胀模块的输出； 步骤2.3.3：去噪模块根据残差膨胀模块的输出，经过阈值注意力机制得到自适应阈值t，然后基于阈值t使用软阈值函数进行特征去噪，具体为：，其中：𝑥为输入特征，𝑦为输出特征，t为阈值；软阈值函数会将一定阈值内的值置为0，并且使阈值之外的值朝0发展； 步骤2.3.4：重复4次步骤2.2.2和2.2.3，并且使用逐渐增加的扩张率，得到去噪后的膨胀编码特征图； 步骤2.4：使用基于AASST策略的检测头进行正负样本定义和损失回归，具体包括： 步骤2.4.1：使用去噪后的膨胀编码特征图作为检测头的输入，进行正负样本定义，具体包括： 步骤2.4.1.1：根据Anchor与真实框的中心距离选择候选框，具体为：，其中为第i个gt框的宽度，为第i个gt框的长度，，为正样本中心点的坐标，，为候选框中心坐标，为中心距离；Anchor的中心点距离真实框中心点的中心距离越近，能提供的检测质量越高，这是因为越接近真实框的中心点，候选框所能表述的特征越接近目标，因此首先根据Anchor与真实框的中心距离选择TopK个候选框； 步骤2.4.1.2：使用候选框与真实框IoU的均值和标准差的和作为定义正负样本IoU的初始阈值，具体为：，其中：，其中：为候选框与真实框IoU的均值，为候选框与真实框IoU的均值，为第i个候选框与第j个真实框的IoU值； 步骤2.4.1.3：计算形状自适应衰减因子；首先统计目标长宽比信息；对于候选框所对应的真实框，计算出所有真实框的长宽比均值Ar，基于均值Ar，自适应衰减因子，其中：Ar为真实框的长宽比均值，为衰减权重，为长宽比极值； 步骤2.4.1.4：将计算得到的形状自适应衰减因子代入步骤2.4.1.2，得到最终的正负样本选择IoU阈值； 步骤2.4.1.5：根据计算得到的IoU阈值，将IoU大于该阈值的候选框定义为正样本，其他候选框定义为负样本； 步骤2.4.2：对已定义正样本根据样本中心点与真实框中心点之间的距离赋予动态样本权重，其中：为第i个gt框的宽度，为第i个gt框的长度，，为正样本中心点的坐标，，为候选框中心坐标，为样本权重； 步骤2.4.3：计算损失函数，由分类损失和回归损失构成；通过损失函数对网络进行随机梯度下降，逐渐优化网络，提升检测效果。

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上海交通大学，其通讯地址为：200240 上海市闵行区东川路800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”。