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！

龙图腾网获悉电子科技大学申请的专利一种基于全局上下文特征融合知识图谱的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：CN116860998B 。

龙图腾网通过国家知识产权局官网在2026-03-24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：202310831034.4，技术领域涉及：G06F16/36；该发明授权一种基于全局上下文特征融合知识图谱的目标检测方法是由徐杰;杨帆;冯渝荏;李家瑛;苗珂;谢麟冰;李子轩设计研发完成，并于2023-07-07向国家知识产权局提交的专利申请。

本一种基于全局上下文特征融合知识图谱的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全局上下文特征融合知识图谱的目标检测方法，先构建基于全局上下文特征的神经网络模型和知识图谱，再利用COCO2017数据集训练神经网络模型，通过神经网络模型预测出待检测图像的预测框类别概率矩阵；然后通过对知识图谱的量化处理得到语义一致性矩阵，再语义一致性矩阵更新预测框类别概率矩阵，最终输出图像中每个目标的位置和类别标签。

本发明授权一种基于全局上下文特征融合知识图谱的目标检测方法在权利要求书中公布了：1.一种基于全局上下文特征融合知识图谱的目标检测方法，其特征在于，包括以下步骤： 1、下载数据集； 下载包含有个类别的目标检测数据集，每个类别具有多张图片，且每张图片统一缩放到相同大小；然后为每张图片中的目标添加目标框，并标记类别标签； 下载包含有条知识的知识库，提取每条知识的头实体、尾实体和关系，然后组合成三元组，； 2、构建基于全局上下文特征的神经网络模型； 基于全局上下文特征的神经网络模型包括主干、瓶颈和检测三个部分； 其中，主干部分包括焦点模块Focus、五个卷积模块CBL、四个全局上下文特征模块GCF、快速空间金字塔池化模块SPPF和上采样模块； 每个CBL又包括卷积层、批归一化层和LeakyReLU激活函数； 每个GCF又包括三个的卷积层和两个激活函数，其中，第一个卷积层的输出接softmax函数，第二个卷积层的输出接LeakyReLU激活函数； 在Focus的输出端依次串联CBL与GCF，且CBL与GCF交替连接；在第四个GCF的输出端依次串联SPPF、CBL和上采样模块； 瓶颈部分采用跨阶段局部结构，包括三个分支； 其中，将主干部分中Focus输出端的第三个CBL与上采样模块输出在通道方向进行拼接，再通过GCF和CBL后输入至上采样模块，然后再将上采样模块输出与Focus输出端的第二个CBL输出在通道方向进行拼接，最后将拼接结果通过GCF融合，得到瓶颈部分的第一个分支输出； 将第一个分支的输出通过CBL后与第一个分支中的CBL的输出在通道方向进行拼接，然后将拼接结果通过GCF融合，得到瓶颈部分的第二个分支输出； 将第二个分支的输出通过CBL后与主干部分输出端的最后一个CBL的输出在通道方向进行拼接，然后将拼接结果通过GCF融合，得到瓶颈部分的第三个分支输出； 检测部分包括三个卷积模块CBL，每个CBL连接在三个分支的输出端，通过卷积操作从瓶颈部分的三个分支中得到融合后的预测框类别概率矩阵P； 3、构建知识图谱并量化处理； 3.1、构建知识图谱； 根据目标检测数据集，从知识库提取包含有目标检测数据集的个类别的所有三元组，构成目标检测数据集的知识图谱； 3.2、量化知识图谱； 3.2.1、将知识图谱中同一类别的三元组的头实体、尾实体统一标记为实体节点v，那么知识图谱中第个类别的三元组标记的实体节点记为，； 3.2.2、利用重启随机游走算法遍历知识图谱，计算出任意两个实体节点间的语义一致性指标； ； ； 其中，表示第个实体节点与第个实体节点间的语义一致性指标，且；表示从实体节点经过步到达实体节点的概率；表示每移动一步时有的概率重新回到实体节点； 3.2.3、构建语义一致性矩阵S； ； 4、训练基于全局上下文特征的神经网络模型； 在每一轮训练过程中，从目标检测数据集随机选取一张图像，记为，然后将图像输入至基于全局上下文特征的神经网络模型； 在主干网络部分，输入图像先通过Focus得到增强后的图像，然后将图像以张量的形式依次流经若干个串联的CBL与GCF、然后通过SPPF和上采样层模块后进入瓶颈部分；在瓶颈部分通过跨阶段局部结构进行特征提取，得到三个不同尺寸的预测图，；在检测部分，预测图通过卷积操作从瓶颈部分的三个分支中得到融合后的预测框类别概率矩阵； ； 其中，表示第个预测框属于第个类别的概率，，表示预测框的个数； 计算本轮训练后的损失函数值： ； ； ； ； ； ； 其中，为平衡系数；表示分类损失，表示目标损失，表示定位损失；，当=0时，表示第个预测框中不存在第类目标，当=1时，表示第个预测框中存在第类目标；表示第个预测框与其对应的真实目标框的重叠面积值；第个预测框的置信度；表示第个预测框的中心点与其对应的真实目标框的中心点的欧氏距离；表示第个预测框的最小外接矩形的对角线长度；、表示第个预测框的长和宽，、表示第个预测框与其对应的真实目标框的长和宽；、为中间变量； 判断网络的总损失值Loss是否收敛或当前迭代次数到达预设的最大值，如果满足，则迭代停止，得到训练完成的基于全局上下文特征的神经网络模型；否则，利用Loss函数进行反向传播，并更新网络参数，然后进行下一轮的训练； 5、基于全局上下文特征融合知识图谱的目标检测网络实时检测； 5.1、实时采集一张图像输入到训练完成的基于全局上下文特征的神经网络模型中，从而输出预测框类别概率矩阵P； 5.2、根据语义一致性矩阵S更新预测框类别概率矩阵P； ； 其中，表示更新后的值，为超参数，； 5.3、在更新后的预测框类别概率矩阵中，计算每个预测框的最终分类标签； ； 最终输出图像中每个目标的位置和类别标签。

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电子科技大学，其通讯地址为：611731 四川省成都市高新区(西区)西源大道2006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。