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！

龙图腾网恭喜西安理工大学申请的专利多尺度轻量级密集连目标检测网络的构建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：CN114882234B 。

龙图腾网通过国家知识产权局官网在2025-03-21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：202210465247.5，技术领域涉及：G06V10/40；该发明授权多尺度轻量级密集连目标检测网络的构建方法是由宋霄罡;刘冬冬;梁莉设计研发完成，并于2022-04-29向国家知识产权局提交的专利申请。

本多尺度轻量级密集连目标检测网络的构建方法在说明书摘要公布了：本发明公开了多尺度轻量级密集连目标检测网络的构建方法，数据预处理；构建多尺度轻量级目标检测神经网络；利用处理的结果对构建的神经网络进行训练和测试；本发明利用PASCALVOC2012数据集验证了网络的可靠性，最终网络的mAP几乎与YoloV4只下降了1.5％，相较于YoloV3提升了5％，采用本发明训练出的网络模型参数量压缩到11.61M，缩减为YoloV4的16；总计算量TotalFlops减少到1.13G，缩小为原来的126；总内存占用减少到135.46M，缩减为YoloV4的15，实时速度提升了32倍，提升了目标检测方法在计算资源有限的嵌入式设备和移动设备的部署增加了可能性。

本发明授权多尺度轻量级密集连目标检测网络的构建方法在权利要求书中公布了：1.多尺度轻量级密集连目标检测网络的构建方法，其特征在于，具体按以下步骤实施：步骤1，数据预处理；步骤2，构建多尺度轻量级目标检测神经网络；所述步骤2中多尺度轻量级目标检测神经网络具体按以下步骤实施：步骤2.1，构建多尺度轻量级特征提取模块MSM；所述步骤2.1中构建多尺度轻量级特征提取模块MSM具体按以下步骤实施：步骤2.1.1，将输入的特征张量保存为三个相同的张量x，y，z，用作三个尺度的开端；步骤2.1.2，对x尺度不进行任何操作，使其保有原始特征信息，作为残差边进行特征补充表示为；步骤2.1.3，用3x3的深度卷积、BatchNorm2d、ReLU6操作与1x1的逐点卷积、BatchNorm2d、ReLU6操作构成一个完整的深度可分离卷积，在y尺度上用两个深度可分离卷积模块获取细尺度的特征信息；步骤2.1.4，使用空洞率为5和3的深度可分离空洞卷积，构成空洞卷积组，在z尺度上运用空洞卷积组获取粗尺度的特征信息；步骤2.1.5，将进行纵向堆叠，然后利用通道注意力机制对堆叠信息进行筛选；步骤2.2，构建轻量级密集连接模块FD-CDM；所述步骤2.2中构建特征重用的轻量级密集连接模块FD-CDM具体按以下步骤实施：步骤2.2.1，构建由3x3组卷积组成的GC模块，该模块会将输入层的不同特征图进行分组，然后采用不同的卷积核生成中间特征；步骤2.2.2，构建由1x1卷积组成的LGC模块，该模块利用1x1的卷积进行通道信息的学习，筛选出重要度更高的通道信息；步骤2.2.3，构建特征重激活SFR模块，该模块的作用是对输入特征的不同通道添加索引层，通过索引层选择需要留下的特征层；步骤2.2.4，先使用LGC模块个GC模块对输入特征进行特征提取和精炼，然后将特征保存为s和t两个张量，t特征张量进入SFR模块进行筛选，s张量继续进行传递，并将两个分支的结果进行拼接，实现对密集连接的筛选；步骤2.3，构建快速降采样主干网络；所述步骤2.3中构建快速降采样的轻量级主干网络具体按以下步骤实施：步骤2.3.1，使用2个MSM模块进行浅层粗尺度特征信息提取；步骤2.3.2，使用3个FD-CDM模块进行深层特征信息提取，获取足够精炼的数据服务于高水平的目标检测任务；步骤2.3.3，使用2.3.1和2.3.2所提的模块组成主干网络，并使用快速降采样思想加强网络特征提取；步骤2.4，构建轻量级特征融合模块；所述步骤2.4中构建轻量级特征融合模块具体按以下步骤实施：步骤2.4.1，对于PANet进行轻量化处理，用深度可分离卷积代替了90%的普通卷积，使得特征融合部分的参数量减少为原来的19；步骤2.4.2，加强对PANet的输入，组合六个尺度的特征，使特征融合部分获得了更充分的特征信息；步骤2.5，构建分类预测模块；所述步骤2.5中构建分类预测模块对目标进行分类具体按以下步骤实施：步骤2.5.1，利用3x3卷积和1x1卷积构建网络的预测头；步骤2.5.2，对于特征融合部分的多尺度输出，分别设计对应的预测头；步骤3，利用经步骤1处理的结果对步骤2构建的神经网络进行训练和测试；具体按以下步骤实施：步骤3.1，获取数据集训练集的标签；步骤3.2，获取训练验证集的标签；步骤3.3，将网络训练分为冻结训练和解冻训练两个阶段，冻结训练是指冻结网络的主干部分，只训练特征融合和预测部分，解冻训练时则进行整个网络模型的训练，在冻结训练部分初始学习率设定为1e-3，解冻训练时则将初始学习率调整为1e-4，等待loss趋于平稳时停止训练，获得网络模型；步骤3.4，将测试集图像每一帧传入网络模型，对像图像进行识别和检测，并进行平均精度均值mAP的计算。

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西安理工大学，其通讯地址为：710048 陕西省西安市碑林区金花南路5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”。