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！

龙图腾网恭喜哈尔滨工业大学申请的专利基于多模型集成和渐进式预测的遥感图像目标检测识别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：CN119559499B 。

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：202411593334.4，技术领域涉及：G06V20/10；该发明授权基于多模型集成和渐进式预测的遥感图像目标检测识别方法是由施天俊;巩晋南;王暄;鲍广震;张鹏飞;穆永琦;江世凯;胡建明;智喜洋;张伟设计研发完成，并于2024-11-08向国家知识产权局提交的专利申请。

本基于多模型集成和渐进式预测的遥感图像目标检测识别方法在说明书摘要公布了：基于多模型集成和渐进式预测的遥感图像目标检测识别方法，属于目标探测与识别技术领域。方法如下：将数据集分成训练集和验证集，将训练集训练得到输入数据；将输入数据输入网络中获得不同层级的特征图，将不同层级的特征图输入到网络上，得到模型A；将输入数据输入网络中得到高层次的特征图，将高层次的特征图输入到网络上，得到模型B；使用模型A和模型B构建多模型集成预测框架，输出目标检测识别结果。本发明在网络训练过程中充分结合了多样性训练增广策略以获取更为多样性的训练样本，提升模型泛化能力；相较于单一模型预测可提升mAP10％以上，能够充分挖掘现有检测方法对于遥感目标检测识别的潜力。

本发明授权基于多模型集成和渐进式预测的遥感图像目标检测识别方法在权利要求书中公布了：1.一种基于多模型集成和渐进式预测的遥感图像目标检测识别方法，其特征在于：所述方法包括如下步骤：S1：将数据集按照比例分成训练集和验证集，将训练集输入网络进行训练；通过训练增广策略对训练集进行在线增广，得到扩增后的输入数据；S2：将增广后的输入数据输入以Swin-TransformerBlocks构成的主干特征提取网络中，获得不同层级的特征图，将不同层级的特征图输入到旋转框多阶段渐进式预测头构成的基础检测识别网络上，进行目标的定位和分类训练，得到训练后的模型A；S2所述不同层级的特征图的获得包括如下步骤：S2-1-1：将每张图像均通过批划分为多个不重叠的批，并对每个像素的通道数据做线性变换；S2-1-2：对原始值特征施加线性变换层，将其投影到任意维度，而后在所有批上应用两个具有多头自注意力计算的SwinTransformerBlocks；S2-1-3：通过批合并层减少批的数量，从而产生层次化的特征图表示；S2-1-4：以S2-1-3得到的特征图作为输入，重复S2-1-3的操作两次，分别得到不同的特征图，从而获取不同层级的特征图表示；S2所述目标的定位和分类训练包括如下步骤：S2-2-1：初始候选框生成：在第一个阶段，模型首先使用常规的旋转框区域生成网络生成一系列目标候选框，这些候选框将作为后续阶段的输入；S2-2-2：级联预测头的多阶段训练：级联三个阶段的检测器进行预测，每个阶段的预测头都对应一个独立的检测器，这些检测器分别在不同的IoU阈值下进行训练，随着阶段的增加，IoU阈值逐渐增大；S2-2-3：逐级优化：每个级联阶段的检测器都会利用上一个阶段的输出候选框进行进一步的边界框回归和分类；S3：将增广后的输入数据输入以ReResNet为主干特征提取网络中，得到高层次的特征图，将高层次的特征图输入到旋转框多阶段渐进式预测头构成的基础检测识别网络上，进行目标的定位和分类训练，得到训练后的模型B；S4：使用模型A和模型B构建多模型集成预测框架，输出目标检测识别结果；所述S4包括如下步骤：S4-1：对推理阶段输入模型A和模型B的验证集图像分别进行升采样和降采样，得到尺度放缩倍数为0.5、1.0以及1.5的多尺度输入图像；S4-2：使用模型A和模型B分别对验证集进行推理，得到各自的推理结果；S4-3：使用WBF对推理结果进行决策级融合，结合两模型的推理结果调整坐标和置信度分数，得到最终的目标识别结果，实现不同模型的优势互补。

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哈尔滨工业大学，其通讯地址为：150001 黑龙江省哈尔滨市南岗区西大直街92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”。