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！

龙图腾网恭喜东南大学申请的专利一种基于域自适应机制的复杂背景下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：CN115147639B 。

龙图腾网通过国家知识产权局官网在2025-04-29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：202210558590.4，技术领域涉及：G06V10/764；该发明授权一种基于域自适应机制的复杂背景下目标检测方法是由李春国;罗顺;刘周勇;李武斌;吴宇凡;杨绿溪设计研发完成，并于2022-05-20向国家知识产权局提交的专利申请。

本一种基于域自适应机制的复杂背景下目标检测方法在说明书摘要公布了：本发明公开了一种基于域自适应机制的复杂背景下的目标检测方法，包括：获取公开的通用目标检测数据集和复杂背景目标检测数据集，构建源域训练集、目标域训练集和测试集；构建基于域自适应机制的人工神经网络模型ForegroundNet‑DA模型；在源域训练集和目标域训练集上对ForegroundNet‑DA模型的部分参数进行域自适应阶段的预训练；在目标域训练集上对ForegroundNet‑DA模型进行精调阶段的训练；在所构建的测试集上评估收敛的ForegroundNet‑DA模型的检测性能。本发明与当前所有的复杂背景目标检测算法相比，能在较小规模的数据集支撑下，实现更加精确的检测性能。本发明在测试集上的检测结果对应的平均绝对误差更低，增强对齐指标、结构指标及加权的F指标更高，是一种更加精确的复杂背景下的目标检测算法。

本发明授权一种基于域自适应机制的复杂背景下目标检测方法在权利要求书中公布了：1.一种基于域自适应机制的复杂背景下的目标检测方法，其特征在于，该方法包括如下步骤：步骤S1：根据公开的通用目标检测数据集和复杂背景下的目标检测数据集，构建源域训练集、目标域训练集和测试集；步骤S2：构建基于域自适应机制的ForegroundNet-DA网络模型；步骤S3：在所构建的源域训练集和目标域训练集上对所构建的ForegroundNet-DA网络模型进行域自适应阶段的监督预训练；步骤S4：加载域自适应训练阶段得到的部分模型参数权重并对其进行固化，在所构建的目标域训练集上对ForegroundNet-DA网络模型进行精调阶段的训练，得到收敛到最优性能的ForegroundNet-DA网络模型；步骤S5：在所构建的测试集上评估收敛的ForegroundNet-DA网络模型的检测性能；所述步骤S1中通用目标检测数据集包含数据集COCO2017，复杂背景目标检测数据集包含数据集COD10K、CAMO和CHAMELEON；所述步骤S2中所构建的基于域自适应机制的ForegroundNet-DA网络模型包含：特征提取模块，前景背景提议模块、特征生成模块、基于卷积注意力的特征融合解码模块和域分类模块；所述步骤S3具体包括：步骤S301：从源域训练集和目标域训练集中随机抽取训练图片进行预处理，首先利用插值算法将输入图像和对应的真实标签的大小调整为H×W，H表示图像高度，W表示图像宽度，随后进行图像数据增强处理，最后将图像进行归一化处理后输入ForegroundNet-DA网络模型进行域自适应阶段的监督预训练；步骤S302：ForegroundNet-DA网络模型通过特征提取模块提取出多尺度抽象特征，将图片特征输入前景背景提议模块和域分类模块，输出N层前景背景提议结果和N层域分类结果，分别用和来表示，k＝1,2,...,N，其中，前景背景提议结果中分别包含前景目标提议结果和背景目标提议结果，即步骤S303：基于提议结果和域分类结果，计算模型在域自适应阶段的损失函数LDA，其计算方法如式1所示， 其中，表示第k层前景背景提议结果对应的损失，表示第k层域分类结果对应的损失；它们的计算表达式分别如式2和式3所示， 上式中，GTd表示输入数据的域分类真实标签，和分别表示第k层前景目标提议结果和背景目标提议结果对应的经过结构信息加权的交叉熵损失，和分别表示第k层前景目标提议结果和背景目标提议结果对应的经过结构信息加权的交并比损失；步骤S304：基于域自适应阶段模型的损失函数LDA，采用随机梯度下降优化算法对ForegroundNet-DA模型的网络参数进行迭代更新。

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东南大学，其通讯地址为：211102 江苏省南京市江宁区东南大学路2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”。