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！

龙图腾网获悉中南大学申请的专利基于显著区域引导深度学习的单帧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：CN116385858B 。

龙图腾网通过国家知识产权局官网在2025-11-14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：202310346899.1，技术领域涉及：G06V20/00；该发明授权基于显著区域引导深度学习的单帧红外弱小目标检测方法是由张俊超;胡跃坤设计研发完成，并于2023-04-03向国家知识产权局提交的专利申请。

本基于显著区域引导深度学习的单帧红外弱小目标检测方法在说明书摘要公布了：本发明公开了一种基于显著区域引导深度学习的单帧红外弱小目标检测方法，包括：使用图像处理算法，提取显著目标区域；构建卷积神经网络，将原图像和包含单个连通域的显著区域图送入所述卷积神经网络进行推理，输出该连通域对应的分类结果；本发明弥补了传统算法虚警率过高的不足。

本发明授权基于显著区域引导深度学习的单帧红外弱小目标检测方法在权利要求书中公布了：1.一种基于显著区域引导深度学习的单帧红外弱小目标检测方法，其特征在于，包括以下步骤： 步骤1、使用图像处理算法，提取显著目标区域； 所述步骤1具体如下： 设待检测红外图像为I，使用NWTH变换，即形态学算法NewTopHat，提取出显著区域： NWTHx,y＝Ix,y-I■Boix,y Boi指定了环形结构元素的内径和外径的长度，其中ΔB为Boi对应的环形结构元素，Bi是以Boi的内径为尺寸的实心结构元素，分别表示膨胀、腐蚀操作； 使用两种尺度的结构元素，保证算法能够检测出约占据1至100个像素的目标，得到两个显著图： S1＝Ix,y-I■Boi1x,y S2＝Ix,y-I■Boi2x,y 将两个显著图相加，设置图像的灰度最大值像素值为上界，限制所有像素不超过该上界： S＝ClipS1+S2 以较低阈值对融合后的显著图进行分割后得到二值图像： Sth＝ThresholdS 以S做为引导，按S像素值由大到小的顺序，设置像素的坐标为种子的坐标，在Sth上进行种子生长，得到包含K个连通域的显著区域图： T＝seed_grow_KS,Sth 种子生长过程中，每生长一个区域，对该区域标记，之后遍历的种子如果落在已生长的区域，则跳过此次生长，直至提取了K个连通域，返回K个标记结果T； 步骤2、构建卷积神经网络，将原图像和包含单个连通域的显著区域图送入所述卷积神经网络进行推理，输出该区域为真目标、假目标的概率，并最终得到检测结果； 所述步骤2具体如下： 首先，设只包含单个连通域的显著区域图为T1,T2,...,TK，即： T＝T1+T2+…+TK 和原图像I堆叠构建卷积神经网络的输入[I,Ti]； 所述卷积神经网络包括ConvLayer模块，SpatialBias模块和三个结构相同的Stage模块，其中ConvLayer模块和三个Stage模块是由ResNet-10网络去掉全连接层，保留特征提取层并拆分得到，将其输入输出首尾相接，得到一个ResNet-10骨干网络； SpatialBias模块将单个连通区域Ti进行下采样，与每一层输出的特征F进行拼接、卷积输出后，作为偏置和原特征F进行相加，以此在全局的尺度上进一步突出输入数据期望关注的区域，表达为： F′＝Spatial_BiasF,Ti ＝Conv[F,DownSampleTi]+F 最后一个Stage模块经过全局平均池化得到长度为256的向量，经全连接层映射到2维向量，并最终以SoftMax为激活函数输出该显著区域判别为真目标、假目标的概率，其它激活函数均采用ReLU； 在实际应用阶段，构造批量大小为K，以[K,2,H,W]的张量作为输入，经过网络推理输出： 得到K个概率权值用真目标的概率和相应的K个显著区域图加权求和得到检测结果：

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中南大学，其通讯地址为：410000 湖南省长沙市岳麓山左家垅；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。