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！

龙图腾网获悉重庆邮电大学申请的专利基于多尺度特征融合的遥感目标检测方法、系统以及介质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：CN119540701B 。

龙图腾网通过国家知识产权局官网在2025-11-04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：202411695051.0，技术领域涉及：G06V10/80；该发明授权基于多尺度特征融合的遥感目标检测方法、系统以及介质是由王诗言;郭大川;唐嘉;唐佳佳;杨灿设计研发完成，并于2024-11-25向国家知识产权局提交的专利申请。

本基于多尺度特征融合的遥感目标检测方法、系统以及介质在说明书摘要公布了：本发明属于计算机视觉技术领域，涉及基于多尺度特征融合的遥感目标检测方法、系统以及介质，包括：获取遥感图像并输入自下而上的特征提取主干网络，得到多层级特征图Ck；将Ck输入多向特征强化网络，得到多尺度特征图Yk；将Yk输入自上而下的特征提取主干网络，得到多尺度融合特征图Pk；将Pk输入目标检测网络进行目标检测，得到检测结果；本发明的多向特征强化网络对每一层级的特征图进行全方位的频域信息增强，并对频域增强特征进行不同尺度的特征强化，并利用坐标注意力机制对H、W维度进行双向空间编码和特征权重优化，全面关注了特征层低维度与高纬度的频率域和空间域的多重信息，有效提高对小目标的检测能力并增强应对复杂背景的能力。

本发明授权基于多尺度特征融合的遥感目标检测方法、系统以及介质在权利要求书中公布了：1.基于多尺度特征融合的遥感目标检测方法，其特征在于，包括：获取遥感图像，将遥感图像输入训练好的遥感目标检测模型，得到检测结果；遥感目标检测模型包括：自下而上的特征提取主干网络、自上而下的特征提取主干网络、多向特征强化网络以及目标检测网络；遥感目标检测模型的训练过程包括： S1：获取遥感图像，将遥感图像输入自下而上的特征提取主干网络，得到多层级特征图； S2：将多层级特征图输入多向特征强化网络，得到多尺度特征图； S3：将多尺度特征图输入自上而下的特征提取主干网络，得到多尺度融合特征图； S4：将多尺度融合特征图输入目标检测网络进行目标检测，得到检测结果； S5：根据检测结果计算损失函数值，根据损失函数值更新模型参数，当损失函数值最小时，得到训练好的遥感目标检测模型； 多向特征强化网络包括：特征增强模块和坐标注意力模块；多向特征强化网络对层级特征图进行处理包括： S21：对层级特征图Ck进行卷积，得到通道维度强化的层级特征图C′k； S22：将通道维度强化的层级特征图C′k输入特征增强模块，得到通道维度强化的特征强化图Fk； S23：将通道维度强化的特征强化图Fk和层级特征图C′k输入坐标注意力模块，得到多尺度特征图Yk； 特征增强模块包括：H-W维度分支、C-W维度分支、C-H维度分支、局部分支以及拼接器；特征增强模块对通道维度强化的层级特征图C′k进行处理包括： S221：将层级特征图C′k沿着通道维度进行拆分，得到拆分后的特征xk,s,s＝[1,4]；s为拆分后的特征的索引； S222：将特征xk,1输入H-W维度分支，得到H-W维度的层级特征 S223：将特征xk,2输入C-W维度分支，得到C-W维度的层级特征 S224：将特征xk,3输入C-H维度分支，得到C-H维度的层级特征 S225：将特征xk,4输入局部分支，得到局部信息的层级特征 S226：将特征输入拼接器，得到通道维度强化的特征强化图Fk；其中，H为高度，W为宽度，C为通道； H-W维度分支包括：傅里叶和反傅里叶变换模块以及空洞卷积金字塔器；H-W维度分支对将多层级特征图xk,1进行处理包括： S2211：将xk,1输入傅里叶和反傅里叶变换模块，得到包含边界信息的层级特征xk,1′； S2212：将xk,1′输入空洞卷积金字塔器，得到H-W维度的层级特征 C-W维度分支、C-H维度分支的处理过程与H-W维度分支一致，只是傅里叶和反傅里叶变换模块的变换轴和权重不同； 空洞卷积金字塔器包括：1×1的卷积模块、3×3的空洞率为3的卷积模块、3×3的空洞率为6的卷积模块、3×3的空洞率为9的卷积模块；空洞卷积金字塔器对xk,1′进行空洞卷积操作包括：将xk,1′分别输入1×1的卷积模块、3×3的空洞率为3的卷积模块、3×3的空洞率为6的卷积模块以及3×3的空洞率为9的卷积模块，将1×1的卷积模块、3×3的空洞率为3的卷积模块、3×3的空洞率为6的卷积模块以及3×3的空洞率为9的卷积模块的输出相加，将相加后的结果进行1×1的卷积，得到输出特征 坐标注意力模块包括H维度分支和W维度分支；坐标注意力模块对通道维度强化的特征强化图Fk进行处理包括： S231：将特征强化图Fk输入H维度分支进行H维度编码，得到编码特征其中，H为高度，h为特征强化图Fk的高度的索引； S232：将特征强化图Fk输入W维度分支进行W维度编码，得到编码特征其中，W为宽度，w为特征强化图Fk的宽度的索引； S233：对和进行组合得到特征权值zk，对特征权值z进行卷积操作，得到特征权值fk； S234：按通道维度对fk进行拆分，得到特征权值fhk和fwk； S235：对fhk进行通道卷积Fh得到通道注意力权值ghk； S236：对fwk进行通道卷积Fh得到通道注意力权值gwk； S237：根据通道注意力权值ghk和gwk以及层级特征图C′k计算多尺度特征图； 多尺度特征图在第c通道上的第i,j位置上的值

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重庆邮电大学，其通讯地址为：400065 重庆市南岸区南山街道崇文路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”。

以上内容由龙图腾AI智能生成。