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基于EfficientVIT改进YOLO模型的轻量化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：CN120070845B 。

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：202411963229.5，技术领域涉及：G06V10/25；该发明授权基于EfficientVIT改进YOLO模型的轻量化小目标检测方法是由吴益飞;王灏喆;郭健;陈庆伟;姜烨设计研发完成，并于2024-12-30向国家知识产权局提交的专利申请。

本基于EfficientVIT改进YOLO模型的轻量化小目标检测方法在说明书摘要公布了：本发明提供了一种基于EfficientVIT改进YOLO模型的轻量化小目标检测方法，方法包括：建立基于EfficientVIT融合多尺度注意力改进的YOLO模型，包括：基于EfficientViT的主干网络改进Yolov8网络，将深度卷积推广为分组卷积，对归一化后的激活值进行“代理校正”，以及引入轻量级ReLU多尺度线性注意力机制并弱化ReLU线性注意力的局限性；采集多种场景下的小目标图像数据，并进行预处理，构建数据集；将数据集划分为训练集和测试集；利用训练集对改进的YOLO模型进行训练，获得轻量化小目标检测模型；采集待检测区域的图像，输入至轻量化小目标检测模型，输出小目标检测结果。本发明为复杂场景下的小目标如型无人机的感知与跟踪技术提供了一种兼顾理论与实践价值的创新性解决方案。

本发明授权基于EfficientVIT改进YOLO模型的轻量化小目标检测方法在权利要求书中公布了：1.一种基于EfficientVIT改进YOLO模型的轻量化小目标检测方法，其特征在于，所述方法包括以下步骤： 步骤1，建立基于EfficientVIT融合多尺度注意力改进的YOLO模型，包括：基于EfficientViT的主干网络改进Yolov8网络，将深度卷积推广为分组卷积，对归一化后的激活值进行代理校正，以及引入轻量级ReLU多尺度线性注意力机制并弱化ReLU线性注意力的局限性； 步骤2，采集多种场景下的小目标图像数据，并进行预处理，构建数据集；所述小目标的限定根据需求自定义； 步骤3，将所述数据集划分为训练集和测试集； 步骤4，利用所述训练集对所述基于EfficientVIT融合多尺度注意力改进的YOLO模型进行训练，获得轻量化小目标检测模型； 步骤5，采集待检测区域的图像，输入至所述轻量化小目标检测模型，输出小目标检测结果； 步骤1中所述基于EfficientViT的主干网络改进Yolov8网络，具体包括： 步骤1-1，将EfficientViT主干网络替换Yolov8的主干网络； 步骤1-2，建立改进的结合动态调整权重的Sandwich布局，具体表示为： 其中，Xi、Xi+1分别表示Sandwich布局中第i层、第i+1层的特征，表示第i层的FNN层，表示第i层的自注意力机制；α和β作为动态调整参数，且能根据输入特征自适应优化，σ是激活函数，用于引入非线性映射； 步骤1-3，引入级联组注意力模块解决多头自注意力中的冗余问题； 所述级联组注意力模块中各个头注意力计算，具体为： 其中，第j个头计算输入特征Xi上对应分割的自注意力，Xij是输入特征Xi的第j个分割，Xi由所有的分割组成，即Xi＝[Xi1,Xi2,…,Xih]且1≤j≤h，h表示头的总数，每个分割通过不同的投影层和将输入特征Xi映射到不同子空间的投影层，最终通过线性层将连接的输出特征投影回与输入一致的维度；表示Xij的自注意力，表示通过Concat函数对Xij与第i+1层输入特征Xi+1的连接； 同时，将每个头的输出添加到后续头： 其中，Xi'j是输入特征Xi的第j个分割Xij与第j-1个头输出之和，作为计算第j个头的新输入特征； 步骤1-4，进行参数重分配，通过扩大关键模块的通道宽度，同时缩小不重要模块的通道宽度来重新分配网络中的参数；所述关键模块、不重要模块自定义划分； 步骤1中对归一化后的激活值进行代理校正，具体为：基于代理变量的分层归一化和统计约束优化，对归一化后的激活值进行代理校正，过程包括： 步骤1-5，GroupNorm归一化： 将输入激活X分成G组，对每组计算归一化输出其中μ和σ分别是组内均值和标准差； 步骤1-6，构造代理变量： 生成一个理想的标准高斯分布变量Z～N0,1，作为代理变量； 步骤1-7，共享仿射变换和激活函数： 对和Z应用相同的仿射变换参数γ，β和激活函数φ，分别得到Yproxy： 步骤1-8，统计偏移校正： 使用Yproxy的统计特性校正的同时，引入分层归一化方法，将代理变量的归一化分为多级进行： 其中，ε是调整因子，γl和βl是第l层归一化的权重参数，分别在每一层中独立学习，μproxy和σproxy分别是基于分层代理变量的均值和标准差，计算公式为： 式中，为第l层的代理变量，L为分层的总数； Zproxy为对代理变量分布引入的统计约束： Zproxy＝ProjN0,1Zinit 其中，ProjN0,1是投影算子，用于将初始代理Zinit映射到标准高斯分布上： σinit＝stdZinit 式中，meanZinit和stdZinit分别表示Zinit的均值和标准差； 步骤1中所述引入轻量级ReLU多尺度线性注意力机制并弱化ReLU线性注意力的局限性，具体包括： 引入轻量级ReLU多尺度线性注意力机制启用全局感受野； 在每个FFN层中插入一个深度卷积增强ReLU线性注意力以弱化ReLU线性注意力的局限性。

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 江苏省南京市玄武区孝陵卫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。