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！

龙图腾网获悉复旦大学申请的专利融合CNN和深度学习变形器的道路交通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：CN116188857B 。

龙图腾网通过国家知识产权局官网在2026-04-14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：202310152193.1，技术领域涉及：G06V10/764；该发明授权融合CNN和深度学习变形器的道路交通目标检测方法是由刘晶晶;苟傲睿;范益波设计研发完成，并于2023-02-23向国家知识产权局提交的专利申请。

本融合CNN和深度学习变形器的道路交通目标检测方法在说明书摘要公布了：本发明属于计算机视觉技术领域，具体为融合CNN和深度学习变形器的目标检测方法。本发明方法包括CNN和深度学习变形器组合模型构建、组合模型参数压缩、标签分配、损失函数设计；本发明将CNN和深度学习变形器结合，利用CNN来进行局部特征增强，用于扩展特征提取范围；利用深度学习变形器建立全局上下文联系来增强级联网络，用于捕获特征地图的全局信息；特征桥促进特征信息在CNN和深度学习变形器之间流动；设计共享子层以实现相邻卷积层或交叉卷积层之间权重参数共享，减少卷积权重参数的数量，提升目标检测的预测速度；最优传输分配解决标签分配问题，提升目标检测的检测精度。通过多个方面协同大大提升目标检测效果和速度。

本发明授权融合CNN和深度学习变形器的道路交通目标检测方法在权利要求书中公布了：1.一种结合CNN和深度学习变形器的道路交通目标检测方法，其特征在于，包括CNN和深度学习变形器组合模型构建、组合模型参数压缩、标签分配、损失函数设计四部分；具体为： 1CNN和深度学习变形器组合模型构建： 组合模型包含CNN支路、深度学习变形器支路和特征桥三部分： a.CNN支路，包含6个卷积层，具体为1×1卷积、3×3卷积、1×1卷积、1×1卷积、3×3卷积、1×1卷积，这六个卷积层后都接有一个批归一化层；利用残差网络结构进行特征提取，防止网络出现梯度消失或者梯度爆炸； b.深度学习变形器支路，包括批归一化、多头-自注意机制、层归一化和多层感知机四部分，同样的，类似于CNN支路，也采用残差网络结构进行特征提取； c.特征桥：在CNN支路到深度学习变形器支路的信息流动中间，包含1×1卷积、下采样、层归一化操作；在深度学习变形器到CNN支路的信息流动中间，包含1×1卷积、批归一化操作； 2.组合模型的参数压缩： 通过设置共享子层，实现不同卷积层的参数共享，具体为： 称传统卷积核称为原卷积，为了减少参与卷积运算的卷积核数量，将卷积核进行分解为卷积原子和共享子层，使卷积原子和共享子层进行矩阵乘积即得到原卷积； 设S为不同卷积层的共享子层，A为卷积原子，C为原卷积；则现在进行卷积的是S，即先由S进行卷积操作，然后卷积后乘积A得到卷积后的特征信息； 3.标签分配： 将每个真值gt当作提供一定数量待检测信息标签的提供者Si，而每个分配锚看作是需要唯一待检测信息标签的提供者Si，如果某个分配锚从gt那儿获得足够的待测信息标签，那么这个分配锚就是此gt的一个正样本；设计提供者Si到需求者Di的传输方案： P＝{pi,j|i＝1,2,…,m；j＝1,2,…,n},1 则优化目标为： Tij≥0，i＝1,2,…,m,j＝1,2,…,n； 其中，m,n分别为分配锚中样本数量和真值样本数量；Cij，Tij分别为每个分配过程中分配者和需求者样本信息信息量；公式1代指从i到j的整体分配方案；公式2代表最小化代价函数，也就是从每一个分配者到需求者样本信息量的信息总和最小；公式3指代的是Tij所代表的意义；利用Sinkhorn-Knopp迭代进行求解优化结果； 4损失函数设计： 标签分配中的成本函数包含两部分，即正面标签和负面标签，对于正面标签，来自真值gti到检测锚aj代价是分类损失和回归损失之和： 其中，Lcls为分类损失，Lreg为回归损失，为分配方案的分类信息，为分类信息的真值；为分配方案中的回归信息，为真实的回归信息，α为权重参数； 则总的损失函数L包含四部分，CNN的分类损失Ccls,CNN的回归损失Creg,transformer的分类损失Tcls,transformer的回归损失Treg： 其中，β为深度学习变形器和CNN损失函数的比例值。

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复旦大学，其通讯地址为：200433 上海市杨浦区邯郸路220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。