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！

龙图腾网获悉中国科学院自动化研究所申请的专利针对图像的跨域目标检测模型的训练方法及装置和跨域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：CN119693617B 。

龙图腾网通过国家知识产权局官网在2025-11-21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：202411755666.8，技术领域涉及：G06V10/25；该发明授权针对图像的跨域目标检测模型的训练方法及装置和跨域目标检测方法是由朱凤华;项桐;叶佩军;熊刚;王飞跃设计研发完成，并于2024-12-02向国家知识产权局提交的专利申请。

本针对图像的跨域目标检测模型的训练方法及装置和跨域目标检测方法在说明书摘要公布了：本申请公开了一种针对图像的跨域目标检测模型的训练方法及装置和跨域目标检测方法。该训练方法包括：获取源域数据和目标域数据；将源域数据和目标域数据输入到深度学习网络，得到第一特征图；基于跨通道交叉注意力策略，对第一特征图中的注意力权重进行调整，得到具有调整的注意力权重的第二特征图；将第二特征图输入到用于图像级特征对齐的域分类器网络和用于特定类别特征对齐的图像级多标签分类器网络，得到第三特征图；将第三特征图输入到用于源域实例级特征对齐的第一预测网络和用于目标域实例级多标签预测的第二预测网络，得到第四特征图；根据源域数据和目标域数据、第一至第四特征图，调整模型参数，得到训练后的跨域目标检测模型。

本发明授权针对图像的跨域目标检测模型的训练方法及装置和跨域目标检测方法在权利要求书中公布了：1.一种针对图像的跨域目标检测模型的训练方法，其特征在于，所述训练方法包括： 获取源域数据和目标域数据，所述源域数据包括源域图像数据和源域图像标注数据，所述目标域数据包括目标域图像数据和目标域图像标注数据； 将所述源域数据和所述目标域数据输入到预训练的深度学习网络，得到针对源域图像和目标域图像两者的第一特征图； 基于跨通道交叉注意力策略，对所述第一特征图中的注意力权重进行调整，得到调整后的注意力权重，并将具有调整后的注意力权重的所述第一特征图作为第二特征图； 将所述第二特征图输入到用于图像级特征对齐的域分类器网络和用于特定类别特征对齐的图像级多标签分类器网络，得到经特征对齐后的第三特征图； 将所述第三特征图输入到用于源域实例级特征对齐的第一预测网络和用于目标域实例级多标签预测的第二预测网络，得到第四特征图； 根据所述源域数据和所述目标域数据以及所述第一特征图至所述第四特征图，调整所述跨域目标检测模型的模型参数，得到训练后的跨域目标检测模型， 其中，跨域目标检测模型包括所述深度学习网络、所述域分类器网络、所述图像级多标签分类器网络、所述第一预测网络和所述第二预测网络， 其中，所述基于跨通道交叉注意力策略，对所述第一特征图中的注意力权重进行调整，得到调整后的注意力权重的步骤包括： 针对包括在所述第一特征图中的深层特征和浅层特征中的每个特征，根据下面的公式来调整每个通道的注意力权重，得到调整后的注意力权重： ， 其中，表示注意力权重，表示快速一维卷积，表示邻近通道数且的表达式为：，表示图像数据的通道维度的全局平均池化且的表达式为：， 其中，表示通道维度，和均为预设参数值，表示最接近的奇数，表示图像数据的张量数据，和分别表示张量的宽和高，i是取值范围为1至的的值的自然数，j是取值范围为1至的值的自然数， 其中，所述将所述第三特征图输入到用于源域实例级特征对齐的第一预测网络和用于目标域实例级多标签预测的第二预测网络，得到第四特征图的步骤包括： 在以并行方式执行以下处理之后，通过将针对所述第三特征图中的与源域数据关联的特征执行实例级特征对齐和针对所述第三特征图中的与目标域数据关联的特征执行基于图像级类别预测的实例级特征对齐之后的所有特征进行结合，得到所述第四特征图： 将所述第三特征图和所述源域数据输入到用于源域实例级特征对齐的第一预测网络，通过监督学习方法对所述第一预测网络进行训练，以实现源域数据的实例级特征对齐； 将所述第三特征图和所述目标域数据输入到用于目标域实例级类别预测的第二预测网络，通过弱监督学习方法对所述第二预测网络进行训练，以实现目标域数据的基于图像级类别预测的实例级特征对齐。

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国科学院自动化研究所，其通讯地址为：100190 北京市海淀区中关村东路95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。