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！

龙图腾网获悉南京理工大学申请的专利一种结构化滤波器学习的小样本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：CN114882302B 。

龙图腾网通过国家知识产权局官网在2025-10-10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：202210578559.7，技术领域涉及：G06V10/772；该发明授权一种结构化滤波器学习的小样本目标检测方法是由吴泽彬;程翔;徐洋;孙晋;韦志辉设计研发完成，并于2022-05-26向国家知识产权局提交的专利申请。

本一种结构化滤波器学习的小样本目标检测方法在说明书摘要公布了：本发明公开了一种结构化滤波器学习的小样本目标检测方法，包括以下步骤：准备小样本目标检测数据集和基类目标检测数据集，搭建网络结构；主干特征提取网络使用CSPDarknet53，引入通用特征增强模块；搭建结构化滤波器学习的小样本目标检测深度神经网络；使用基类数据集训练网络；在小样本目标检测数据集上，使用KSVD算法分层学习结构化滤波器输入特征图的字典，作为滤波器的权值参数，经过一次前向传播的过程，完成结构化滤波器的参数的初始化；使用初始化的网络模型在小样本数据集上继续训练；使用训练好的神经网络完成检测任务。该方法只需要少量的样本数据就可以训练出一个泛化性能良好的目标检测深度神经网络。

本发明授权一种结构化滤波器学习的小样本目标检测方法在权利要求书中公布了：1.一种结构化滤波器学习的小样本目标检测方法，其特征在于，包括以下步骤： 步骤1，准备小样本目标检测数据集和基类目标检测数据集； 步骤2，搭建网络结构：主干特征提取网络使用CSPDarknet53，引入通用特征增强模块；使用结构化滤波器S_conv构造卷积单元S_CBL和Yolo检测头S_Yolo；再基于YOLOv4的特征融合网络结构，搭建结构化滤波器学习的小样本目标检测深度神经网络； 结构化滤波器S_conv包含权重参数W和强度参数t，参与卷积计算的滤波器为t⊙W，其中⊙表示按元素相乘； 卷积单元S_CBL使用LeakyRELU激活函数；检测头S_Yolo由卷积单元S_CBL和1×1卷积构成； 基于YOLOv4中SPP和PAN的结构，使用S_CBL卷积单元的组合，搭建特征融合网络； CSPDarknet53有三个不同尺度的输出，针对这三个输出，引入三个通用特征增强模块；通用特征增强模块中，为通用特征增强模块的输入特征图，为通用特征增强模块的输出特征图，通用原型Vi为图像级的特征信息描述符； 将输入的特征图通过卷积扩张通道，生成X的通道扩充矩阵I： 对I的第j个通道向量Ij，获取Ij中在位置上对应于ci的分量元素和计算分量元素和相对于整个通道向量Ij的权重Ej,i， 对I的第j个通道向量Ij，获取Ij的元素和计算该元素和相对于通道扩充矩阵I的权重 将权重Ej,i和权重求和之后作为残差块的权重，构成特征描述符Vi,j，即用特征描述符Vi,j构造特征图V，将特征图V在通道上执行最大池化得到V*，最后将X与V*残差后作为输出P； 步骤3，第一阶段的训练，使用基类数据集训练网络； 步骤4，第二阶段的训练，主干特征提取网络CSPDarknet53和通用特征增强模块使用步骤3中在基类目标检测数据集中预训练的权重，在小样本目标检测数据集上，使用KSVD算法分层学习结构化滤波器输入特征图的字典，作为滤波器的权值参数，经过一次前向传播的过程，完成结构化滤波器的参数的初始化； 步骤5，第三阶段的训练，使用初始化的网络模型在小样本数据集上继续训练； 步骤6，使用训练好的神经网络完成检测任务。

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理工大学，其通讯地址为：210094 江苏省南京市孝陵卫200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”。

以上内容由龙图腾AI智能生成。