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！

龙图腾网获悉中国电子科技集团公司第五十四研究所申请的专利一种多阶段协同的细粒度舰船类别不平衡问题优化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：CN117197672B 。

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：202311213237.3，技术领域涉及：G06V20/10；该发明授权一种多阶段协同的细粒度舰船类别不平衡问题优化方法是由梁硕;王玉晶;王士成;陈金勇;于君娜;韩续;文义红;肖阳设计研发完成，并于2023-09-20向国家知识产权局提交的专利申请。

本一种多阶段协同的细粒度舰船类别不平衡问题优化方法在说明书摘要公布了：细粒度舰船目标检测任务中由于不同类别舰船目标的实例数目差距很大，在神经网络训练过程中网络无法对数量非常少的稀有类别给予足够关注，导致检测性能下降。针对此问题，本发明提供了一种多阶段协同的细粒度舰船类别不平衡问题优化方法。在前向传播阶段，提供一种基于舰船形状掩膜的样本替换方法，使用稀有舰船来替换常见舰船，缓解样本不平衡问题。在反向传播阶段，提供一种基于元舰船样本数的损失重加权方法，使网络对稀有样本更加重视。在推理决策阶段，基于元舰船样本数，提供一种决策边界优化方法，降低先验概率对模型预测的影响。本发明提供的多阶段类别不平衡优化方法可有效提高神经网络对稀有样本的学习能力，提高细粒度舰船检测的性能。

本发明授权一种多阶段协同的细粒度舰船类别不平衡问题优化方法在权利要求书中公布了：1.一种多阶段协同的细粒度舰船类别不平衡问题优化方法，其特征在于，包括以下过程： 步骤1：准备训练集和目标检测模型，训练集包含舰船目标，目标检测模型包含特征提取骨干网络和检测头，目标检测模型的输入是三通道光学遥感图像； 步骤2：在前向传播阶段，将训练集内舰船类别划分为常见类别和稀有类别，并对稀有类别舰船进行二维高斯建模，使用稀有类别舰船替换常见舰船，然后调整不同舰船的背景与方向保持一致； 步骤3：在反向传播阶段，计算不同类别舰船的元样本数，并设舰船的权重因子与元样本数成反比，得到不同类别的平衡损失函数，然后利用训练集样本对目标检测模型进行训练，得到更新后的目标检测模型； 步骤4：在推理决策阶段，利用更新后的目标检测模型对输入样本进行预测，将模型输出的检测框按照得分从大到小排序，并使用非极大值抑制算法去除冗余框，得到最终精确的检测结果； 其中，步骤2具体包括以下过程： 步骤2-1：在前向传播阶段，统计训练集内不同类别舰船的数目，将高于样本数均值的类别作为常见类别，低于样本数均值的类别为稀有类别；然后裁剪出稀有类别的舰船样本建立样本库与索引，并计算裁剪出的稀有舰船样本的大小、纵横比和颜色信息； 步骤2-2：对裁剪出的稀有舰船样本的高和宽分别进行一维高斯，高度方向的高斯核为宽度方向的高斯核为并通过两个方向的高斯核构建舰船形状的掩膜Mh×w＝Gh·GwT；其中，w为稀有舰船样本的宽，h为稀有舰船样本的高，wη和hη分别为高斯核的融合权重； 步骤2-3：以设定概率选择训练集内常见舰船实例Sc，计算大小、纵横比和颜色信息，并将计算的信息整合成特征向量送入KNN匹配树中与稀有舰船进行距离匹配，按照距离由近到远筛选出设定比例的稀有舰船，并从中随机选择一个样本Sr；以Sc为基准对Sr作仿射变换，统一大小和方向，然后将Sc和Sr两个样本以步骤2-2中计算出的掩膜进行融合得到新的样本Sn＝Sr×Mh×w+Sc×1-Mh×w； 步骤2-4：将融合得到新的样本Sn变换回原训练集遥感图像Ik中，将Ik中的对应位置舰船的类别修改为替换后的稀有舰船类别，并计算原始样本的亮度Iv和用于替换的舰船样本亮度Ov，根据两者计算补偿系数然后得到输出像素值其中I为输入的像素值，I＝Ov，并根据输出像素值采用伽马校正调节用于替换的舰船样本的亮度。

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电子科技集团公司第五十四研究所，其通讯地址为：050081 河北省石家庄市中山西路589号中国电子科技集团公司第五十四研究所航天部；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。