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！

龙图腾网恭喜复旦大学申请的专利一种长尾数据场景下的目标检测方法及装置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：CN116958743B 。

龙图腾网通过国家知识产权局官网在2025-06-20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：202310832461.4，技术领域涉及：G06V10/774；该发明授权一种长尾数据场景下的目标检测方法及装置是由周水庚;张莹露;张晨博;张路;关昊;赵佳佳设计研发完成，并于2023-07-07向国家知识产权局提交的专利申请。

本一种长尾数据场景下的目标检测方法及装置在说明书摘要公布了：本发明属于深度学习中的目标检测技术领域，具体为一种长尾数据场景下的目标检测方法及装置。本发明目标检测方法包括：构建长尾目标检测数据集；在模型训练过程中维护特征缓存模块，为进行目标级别的精确上采样提供数据源基础；利用检测器分类头权重向量的二范数与类别下样本量的正相关关系，设计分布感知的动态上采样策略；利用类别间的相似语义关系，构建多类协同数据增强模块；设计双向调节损失函数，从正负两个方向调节梯度影响；对模型进行整体优化训练，并进行有效性验证。本发明能弥补现有的长尾数据场景下的目标检测方法在处理尾部类别时的不足和技术限制，有效地提高目标检测准确率，尤其是对极具挑战性的尾部类别目标的检测精度。

本发明授权一种长尾数据场景下的目标检测方法及装置在权利要求书中公布了：1.一种长尾数据场景下的目标检测方法，其特征在于，使用多种新的技术手段，包括：特征缓存，为精确的目标级别上采样提供数据源基础；设计基于检测器分类头权重向量二范数的分布感知的上采样策略；利用类间相关语义信息的多类协同数据增强方法进行特征融合；双向调节损失；具体如下： 1特征缓存；在模型的训练过程中被维护更新，各个类别在缓存中都拥有一个缓存队列，用于缓存对应类别目标的特征向量，缓存队列的更新遵循先进先出原则； 2进行上采样；基于检测器分类头权重向量二范数的分布感知上采样；根据检测器分类头权重向量的二范数与各类别下的图像样本量呈正相关关系的情况设计上采样频率，对样本量少的尾部类别进行动态的上采样； 3特征融合；利用类间相关语义信息的多类协同数据增强方法，利用类别间的语义相似性，对最为相似的类别下的图像样本与源样本进行特征融合，得到增强后的源样本，用于后续的训练流程； 4双向调节损失；利用各类别下的图像样本的分类头预测概率分布计算各类别的正梯度促进参数和负梯度抑制参数从正负两个方向调节梯度影响，优化检测器的训练； 步骤4中，具体为： 双向调节损失的基础为二元交叉熵损失，双向调节损失如公式5所示： 其中，为类别ci的正向梯度促进系数，为类别ci的负向梯度抑制系数， 为one-hot标签，p＝[p1,...,pC]T为分类预测分数向量，C为前景类别总数； 正向梯度促进系数的计算基于训练过程中维护的向量r在训练迭代中通过指数移动平均的方式被更新，ri反应属于类别ci的样本容易被误分类的程度： ||wi||为分类头中类别ci的分类权重向量的二范数；为第t次训练迭代中类别ci容易被误分类的程度，为第t-1次训练迭代中类别ci容易被误分类的程度，η为指数移动平均的超参数，N为第t次训练迭代中属于类别ci的样本的总数；为在第t个训练迭代中，第j个属于类别ci的样本的误分类程度；表示在第t个训练迭代中，第j个属于类别ci的样本的预测分类概率分布ztj中类别ci的概率值，表示在第t个训练迭代中，第j个属于类别ci的样本的预测分类概率分布ztj中类别ck的概率值；代表ztj中大于或等于的概率值的总数，α和β为调节超参； 负向梯度抑制系数的计算如公式7所示： ||wi||为分类头中类别ci的分类权重向量的二范数；zk为属于类别ck的样本x的预测分类概率分布z中，类ck的预测值，zi为属于类别ck的样本x的预测分类概率分布z中，类ci的预测值,σ为sigmoid操作；fx是一个类sigmoid的激活函数，用来将限制在固定的值域中，其中γ，μ为函数fx的超参数系数。

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”。