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！

龙图腾网获悉四川大学申请的专利基于YOLO V5的轻量化神经记忆常微分方程级联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：CN119273933B 。

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：202411413921.0，技术领域涉及：G06V10/44；该发明授权基于YOLO V5的轻量化神经记忆常微分方程级联方法是由何涛;余乐;苟博;熊健龙;曹越设计研发完成，并于2024-10-11向国家知识产权局提交的专利申请。

本基于YOLO V5的轻量化神经记忆常微分方程级联方法在说明书摘要公布了：本发明公开了基于YOLOV5的轻量化神经记忆常微分方程级联方法，该方法包括：利用Backbone网络输出不同分辨率的特征图，通过NmODE模块的级联，特征图在每个NmODE模块之间反复融合，不同分辨率的特征图得到充分整合，既保留了精细的局部信息，又增强了全局上下文的表达能力，NmODE模块不仅接收上一个模块的输出作为输入，同时与Backbone网络的特征图进行融合，从而在每一层级联中进一步丰富特征表达，此外，在每个NmODE模块之后，通过增强聚合EF模块将NmODE输出的语义特征与当前级联的NmODE模块的当前输入再次融合。这一双路径的融合策略不仅增强了对多尺度目标物体的检测能力，还通过特征的交互与融合，显著提升了检测精度。

本发明授权基于YOLO V5的轻量化神经记忆常微分方程级联方法在权利要求书中公布了：1.基于YOLOV5的轻量化神经记忆常微分方程级联方法，其特征在于,该方法包括： 步骤S1：输入图片经过数据增强，送入Backbone网络，Backbone由Focus结构和CSPDarknet53组成，不同尺度的YOLOV5模型Backbone的网络尺度不同，但输出相同尺度的三个不同分辨率的特征图，分别来自浅层、中层和深层网络，命名为、和； 步骤S2:NmODE模块基于神经记忆常微分方程，通过级联四个NmODE模块，聚合深层与浅层的特征，将当前NmODE模块的输出作为下一个NmODE模块的值输入，下一个NmODE模块再与backbone输出的特征进行聚合，其中每个模块接收前一个模块的输出并与深层特征图进行融合； 第一个NmODE模块表达式为： 其中，作为当前输入，指的是经过一个步幅为的卷积操作实现下采样，经过该下采样，分辨率从缩小为，作为输入； 第二个NmODE模块表达式为： 其中，表示最近邻插值层，即被上采样，分辨率从扩大为，作为当前输入，作为输入，该模块的输出结合了来自三个层次、和的特征，然后传递给下一个NmODE模块以及第一个增强聚合EF模块，以进行进一步的增强和融合； 第三个NmODE模块表达式为： 其中，表示最近邻插值层，即和被上采样，分辨率从扩大为，作为当前输入；分辨率从扩大为，作为输入；输出随后被传递给第四个NmODE模块以及第二个增强聚合EF模块，以进行进一步的增强和融合； 第四个NmODE模块表达式为： 其中，作为当前输入，指的是经过一个步幅为的卷积操作实现下采样，经过该下采样，分辨率从缩小为，作为输入；该模块的输出随后传递给最后一个增强聚合EF模块，进行进一步的增强和特征融合； 步骤S3：通过增强聚合EF模块融合NmODE输出的语义特征以及NmODE的当前输入，增强聚合EF模块采用双路径结构，分别为主路径和辅助路径；第一条主路径加强融合NmODE输出的语义特征以及NmODE的当前输入；第二条辅助路径，再次融合NmODE的当前输入，主路径和辅助路径将输入转化为包含目标类别、位置和置信度三个维度的特征图输出，将辅助路径的预测结果与主路径的预测结果相加，实现特征融合和预测校正； 步骤S4：三个增强聚合EF模块分别输出包含目标类别、位置和置信度三个维度的特征图，从左到右的三个特征图分别对应中、小、大目标的类别、位置和置信度预测，并进行loss计算实现网络参数的更新。

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四川大学，其通讯地址为：610044 四川省成都市一环路南一段24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。