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！

龙图腾网获悉江西师范大学申请的专利基于空间补全与多尺度聚焦的交通标志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：CN121600495B 。

龙图腾网通过国家知识产权局官网在2026-04-21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：202610114350.3，技术领域涉及：G06V20/58；该发明授权基于空间补全与多尺度聚焦的交通标志检测方法是由吴水秀;祝邵楠;何家武;夏伟;朱霄旸;丁伟民;彭云设计研发完成，并于2026-01-28向国家知识产权局提交的专利申请。

本基于空间补全与多尺度聚焦的交通标志检测方法在说明书摘要公布了：本发明公开基于空间补全与多尺度聚焦的交通标志检测方法，包括：对交通标志数据集进行类别平衡增强，构建均衡数据集；在YOLOv12骨干网络Q4层嵌入特征互补映射模块，通过通道分割、双向注意力机制融合颜色与空间信息，补全小目标特征；在检测头P3、P4和P5层分别嵌入多尺度卷积注意力模块，采用差异化的条带卷积核与颜色注意力机制，实现多尺度交通标志的特征聚焦；采用结合SIoU损失与形状匹配损失的复合损失函数进行网络训练优化；在推理阶段进行颜色增强、多尺度特征提取与非极大值抑制算法后处理，输出交通标志类别、边界框及置信度；本发明显著提升小目标检测精度与多尺度适应能力，满足复杂交通场景下的实时检测需求。

本发明授权基于空间补全与多尺度聚焦的交通标志检测方法在权利要求书中公布了：1.基于空间补全与多尺度聚焦的交通标志检测方法，其特征在于，包括如下步骤： 步骤S1：获取原始交通标志数据集，对原始交通标志数据集进行统计与增强，得到类别均衡的增强数据集； 步骤S2：构建改进的YOLOv12检测网络，改进的YOLOv12检测网络包括骨干网络、特征融合网络和检测头，其中在骨干网络的Q4特征层嵌入特征互补映射模块，用于对交通标志小目标的颜色与空间信息进行补全；在检测头的P3、P4和P5特征层分别嵌入多尺度卷积注意力模块，用于对不同尺度的交通标志进行多尺度特征聚焦； 步骤S3：使用类别均衡的增强数据集对改进的YOLOv12检测网络进行训练，采用复合损失函数对改进的YOLOv12检测网络进行优化； 步骤S4：对待检测图像进行预处理后输入训练优化好的改进YOLOv12检测网络，经由骨干网络、特征互补映射模块、特征融合网络及多尺度卷积注意力模块处理，输出交通标志的检测结果； 步骤S2中在骨干网络的Q4特征层嵌入特征互补映射模块，具体为： 步骤S211，从骨干网络中提取Q4特征层输出的第一特征图； 步骤S212，将第一特征图沿通道维度按比例分割为两部分，分别得到空间-颜色分支和语义分支； 步骤S213，对空间-颜色分支和语义分支分别进行特征变换： 步骤S214，通过注意力机制实现特征双向互补： 对语义特征采用深度卷积切断冗余通道关联，经全局平均池化捕捉交通标志典型颜色通道的全局信息，再通过Sigmoid函数激活生成通道注意力权重； 对空间-颜色特征采用1×1卷积加批量归一化操作加Sigmoid函数，聚焦交通标志所在空间区域，生成空间注意力权重； 将通道注意力权重加权至空间-颜色特征，得到空间-位置特征图，将空间注意力权重加权至语义特征，得到语义特征图； 步骤S215，将补充后的空间-位置特征图与语义特征图沿通道维度拼接，并与第一特征图进行残差连接，得到增强后的第二特征图； 步骤S2中在检测头的P3、P4和P5特征层分别嵌入多尺度卷积注意力模块，具体为： 步骤S221，分别获取来自前级处理或特征融合网络的P3、P4和P5特征层，其对应不同空间分辨率的交通标志特征表示，将第二特征图作为多尺度卷积注意力模块的输入； 步骤S222，对第二特征图使用3×3深度卷积进行局部信息聚合，提取局部边缘与角点特征，得到局部信息聚合特征图； 步骤S223，对局部信息聚合特征图根据检测头的P3、P4和P5特征层所对应交通标志的典型尺度，采用不同组合的条带卷积核进行并行特征提取，分别得到小尺度特征图、中尺度特征图和大尺度特征图： 步骤S224，对各层小尺度特征图、中尺度特征图、大尺度特征图采用1×1卷积压缩通道，得到多尺度融合特征图； 提取多尺度融合特征图的通道高维聚合特征图，生成颜色权重； 将颜色权重与多尺度融合特征图进行逐元素相乘，得到颜色增强后的注意力特征； 步骤S225，将颜色增强后的注意力特征与局部信息聚合特征图进行融合，完成特征聚焦，得到最终输出增强特征图。

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江西师范大学，其通讯地址为：330000 江西省南昌市高新技术开发区紫阳大道99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。