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！

龙图腾网获悉大连工业大学申请的专利一种基于聚合多尺度信息下差值特征补偿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：CN115984660B 。

龙图腾网通过国家知识产权局官网在2026-03-31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：202310112496.0，技术领域涉及：G06V10/80；该发明授权一种基于聚合多尺度信息下差值特征补偿的目标检测方法是由高紫俊;陈倬文;苏靖雯设计研发完成，并于2023-02-14向国家知识产权局提交的专利申请。

本一种基于聚合多尺度信息下差值特征补偿的目标检测方法在说明书摘要公布了：本发明提供一种基于聚合多尺度信息下差值特征补偿的目标检测方法，包括构建多尺度特征融合模块，选择不同感受野的卷积和多种池化方式来处理输入特征，得到包含多尺度信息的差值特征；构建并行注意力模块，以并行的方式分别计算空间、通道注意力图，其中在推理注意力图时，将多种池化联合使用；将构建的多尺度特征融合模块和并行注意力模块以最佳策略组合，形成用于前馈卷积神经网络的差值注意力模块，将差值注意力模块嵌入网络中以获得最优的性能。本发明提出了一种用于前馈卷积神经网络的差值注意力模块DifferentialAttentionModule,DAM，采用独特的差值结构，通过多尺度特征融合和注意力机制，在全局中完成特征信息补偿，增强特征的表示能力。

本发明授权一种基于聚合多尺度信息下差值特征补偿的目标检测方法在权利要求书中公布了：1.一种基于聚合多尺度信息下差值特征补偿的目标检测方法，其特征在于，所述目标检测方法属于图像识别技术领域，包括： 构建多尺度特征融合模块，选择不同感受野的卷积和多种池化方式来处理输入特征，得到包含多尺度信息的差值特征；在所述多尺度特征融合模块中，选择不同感受野的卷积和多种池化方式来处理输入特征，得到包含多尺度信息的差值特征，具体包括： 给定一个局部特征，将局部特征输入11、33、233的卷积层和Maxamp;AvgPooling，其中233是将两个33的卷积连接,在33和233卷积层前面加入11的卷积层，Maxamp;AvgPooling是将最大池化和平均池化的结果进行连接，在Maxamp;AvgPooling后面加入11的卷积层，然后分别生成四个新的特征图A、B、C和D，其中，； 从F到Fi，其中的卷积操作是将映射到的变换上，表示卷积核的集合，其中，表示第c个滤波器的参数；其中： 1 其中，表示卷积操作，表示一个SChannel的2-D卷积核，输入一个通道上的空间特征，学习特征空间关系，对各个通道的卷积结果做求和； 同时，把生成的不同尺度感受野的特征矩阵在通道维度进行连接操作，得到的如公式2所示： 2 其中，更加适合不同尺度的同时大大减少了权值参数数量，然后通过一个1×1的卷积将映射为；由式1、2推断出G聚合了不同尺度的特征信息并自适应的学习分配权重数值； 构建并行注意力模块，以并行的方式分别计算空间、通道注意力图，其中在推理注意力图时，将多种池化联合使用，包括： 通过使用平均池化、最大池化和Add操作来聚合特征图的空间信息，生成不同的空间上下文描述符：,和，分别表示平均池化特征、最大池化特征和Addition特征； 将三个特征描述符输入到共享网络，经过融合和激活函数生成通道注意力图，共享网络由具有一个隐藏层的多层感知器组成，为了减少参数开销，隐藏激活大小设置为，其中是缩减率； 在将共享网络应用于每个描述符之后，使用逐元素求和来合并输出特征向量，通道注意力被计算为： 其中，表示Sigmoid函数，，，和是两个输入共享MLP的权重； 为了计算空间注意力，将，沿通道轴应用平均池化和最大池化操作，然后使用Add操作获得两者结合后的特征，并将它们进行Concatenate操作，连接起来以生成有效的特征表示；在并行连接的特征描述矩阵上，应用卷积层来生成空间注意力图，自适应的学习要强调或抑制的区域； 使用卷积和Add操作聚合特征图的通道信息，生成三个2D映射：和以及；每个表示通道中的最大池化特征和平均池化特征以及结合特征；然后通过标准卷积层将它们连接和卷积，生成2D空间注意力图，空间注意力被计算为： 其中，表示Sigmoid函数，表示滤波器大小为77的卷积操作； 将构建的多尺度特征融合模块和并行注意力模块以最佳策略组合，形成用于前馈卷积神经网络的差值注意力模块，将差值注意力模块嵌入网络中以获得最优的性能。

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大连工业大学，其通讯地址为：116034 辽宁省大连市甘井子区轻工苑1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。