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！

龙图腾网恭喜深圳瑞泊龙科技有限公司申请的专利一种基于部分卷积嵌入和聚集分发机制的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：CN117671414B 。

龙图腾网通过国家知识产权局官网在2025-05-13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：202311537095.6，技术领域涉及：G06V10/774；该发明授权一种基于部分卷积嵌入和聚集分发机制的目标检测方法是由袁正午;张凡;陈强;唐培贤;李金鑫设计研发完成，并于2023-11-17向国家知识产权局提交的专利申请。

本一种基于部分卷积嵌入和聚集分发机制的目标检测方法在说明书摘要公布了：本发明涉及一种基于部分卷积嵌入和聚集分发机制的目标检测方法，属于计算机视觉技术领域。该方法包括：获取目标检测公共数据集，将其标注文件转换为YOLO格式文件，并划分为训练集、验证集和测试集；使用目标检测网络YOLOv8作为检测模型的主框架，搭建基于部分卷积嵌入和聚集分发机制的目标检测网络模型，包括空间特征提取模块和多尺度信息融合模块，通过将部分卷积嵌入到骨干网络来提取空间特征信息以及使用聚集分发机制增加模型的多尺度信息融合能力；基于训练集训练上述所改进的模型，得到最优的目标检测模型；本发明的目标检测模型在检测效率提高的同时对小目标检测能力更强，且拥有更高的总体精确度。

本发明授权一种基于部分卷积嵌入和聚集分发机制的目标检测方法在权利要求书中公布了：1.一种基于部分卷积嵌入和聚集分发机制的目标检测方法，其特征在于：该方法包括以下步骤：S1：获取公共目标检测数据集，将所述公共目标检测数据集中的标注文件转换为YOLO格式，并将标注文件转换为YOLO格式的公共目标数据集按比例分割为训练集、验证集和测试集；S2：将训练集中的图像进行归一化处理，并将归一化处理的图像和其相应的目标标签合成批次；S3：使用YOLOv8作为目标检测网络的基础框架，搭建基于部分卷积嵌入和聚集分发机制的目标检测网络模型，所述目标检测网络模型包括空间特征提取模块和多尺度信息融合模块，所述空间特征提取模块将部分卷积嵌入到骨干网络来增加空间特征信息的提取能力，所述多尺度信息融合模块使用聚集分发机制增加模型的多尺度信息融合能力；S4：将所述S2中合成的批次输入所述S3中搭建的基于部分卷积嵌入和聚集分发机制的目标检测网络模型中进行训练，获得训练后的模型权重；S5：利用S4所训练得到的训练模型权重在测试集中对其进行测试，得到检测结果；所述S3中，所述空间特征提取模块将部分卷积嵌入到骨干网络来增加空间特征信息的提取能力，具体包括：搭建空间特征提取模块，将YOLOv8的骨干部分backbone对应的C2f模块替换为部分卷积的Fasternet模块，所述Fasternet包括基础网络子模块、快速特征融合子模块和高效上采样子模块，通过嵌入部分卷积来连接每个子模块；所述基础网络子模块，包括卷积层、批归一化层和激活函数层，用于对图像进行特征提取和非线性激活；所述快速特征融合子模块负责将来自不同层级的特征进行融合；所述高效上采样子模块用于实现特征图的上采样；部分卷积利用特征映射的冗余，在部分输入通道上应用常规卷积，部分卷积的总浮点运算数量FLOPs计算公式为： 式中，h是特征图的高，w是特征图的宽，k是卷积核的大小，cp是常规卷积作用的通道数；部分卷积的FLOPs仅为常规卷积的部分卷积的内存访问情况用公式表示为： 式中，h是特征图的高，w是特征图的宽，k是卷积核的大小，cp是常规卷积作用的通道数，部分卷积的内存访问数量为常规卷积的其余的c-cp个通道不参与计算，部分卷积无需进行内存的访问；每个Fasternet模块有一个部分卷积层，其后面跟着两个1*1维卷积，三者构成一个倒残差的架构，使得中间层的通道数量更多，放置了一个shortcut连接来重用输入特征，同时，将归一化层和激活层放在中间层之后；所述S3中，多尺度信息融合模块使用聚集分发机制增加模型的多尺度信息融合能力，具体包括：搭建多尺度信息融合模块，在YOLOv8模型的检测头处引入goldyolo检测头，所述goldyolo检测头包括特征对齐模块FAM、信息融合模块IFM和信息注入模块Inject，所述特征对齐模块FAM、信息融合模块IFM和信息注入模块Inject构成聚集分发机制；所述特征对齐模块FAM通过收集backbone部分不同尺度的特征图，并通过上采样或者下采样的方式进行对齐；所述信息融合模块IFM融合对齐后的特征生成全局特征，通过split切片操作分为两部分，在后面针对性地对其他尺度进行分发操作；信息注入模块Inject使用增强分支检测能力的注意力操作将全局特征split后分发到各个层级；假设输入图像shape为N×3×H×W，从backbone得到的多尺度特征有四个，分别为B2、B3、B4、B5，即其中N表示batch-size，表示不同尺度特征图的通道数，表示不同尺度特征图的高和宽；特征对齐模块FAM以B4为基准，对大的特征图B2、B3通过平均池化的方式进行下采样，对小的特征图B5采用双线性插值进行上采样，表示为：Falign＝FAM[B2、B3、B4、B5]3concat得到合并后的特征表示为： 信息融合模块IFM设计包括Conv、RepBlock模块、Split拆分操作：Ffuse＝RepBlockFalign5Finj_P3，Finj_P4＝SplitFfuse6将对齐并concat后的特征Falign输入到RepBlock模块中得到Ffuse融合特征，同时使用Conv来调节通道，以适应不同模型的大小，Ffuse通过Split在通道上拆分为Finj_P3和Finj_P4，然后与不同的层级进行下一步的特征融合；信息注入模块Inject，采用自注意力形式，输入为待被分发的当前尺度下的x_localFlocal，以及前面由IFM生成的全局特征x_globalFinj，最后通过ReBlock处理进一步得到融合信息Pi。

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深圳瑞泊龙科技有限公司，其通讯地址为：518000 广东省深圳市龙岗区龙城街道回龙埔社区恒明湾创汇中心1栋CD座806D；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”。