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！

龙图腾网恭喜西北工业大学申请的专利一种基于特征模仿学习的遥感微弱与密集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：CN119850934B 。

龙图腾网通过国家知识产权局官网在2025-05-27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：202510323777.X，技术领域涉及：G06V10/25；该发明授权一种基于特征模仿学习的遥感微弱与密集目标检测方法是由王鹏;孔丁丁;李林;张艳宁设计研发完成，并于2025-03-19向国家知识产权局提交的专利申请。

本一种基于特征模仿学习的遥感微弱与密集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特征模仿学习的遥感微弱与密集目标检测方法，涉及光学遥感目标检测技术领域，包括：选取单阶段目标检测模型，并在该模型头部添加特征模仿头；根据分类头、回归头和特征模仿头输出结果，计算目标预测结果和真实标签间的分类得分与交并比，并利用任务对齐学习技术计算各个样例特征的样例质量度量；基于设定阈值对各个样例特征筛选得到对应的高低质量样例特征；利用高质量样例特征在线更新类中心特征内存库；利用低质量样例特征和更新后的类中心特征内存库，构建模仿对比损失；对遥感微弱与密集目标检测模型进行训练。本发明解决了现有方法阻碍模型以端到端方式进行优化，且无法在实际应用中确保实时检测的问题。

本发明授权一种基于特征模仿学习的遥感微弱与密集目标检测方法在权利要求书中公布了：1.一种基于特征模仿学习的遥感微弱与密集目标检测方法，其特征在于，包括以下步骤：S1：选取单阶段目标检测模型YOLO作为基础检测模型，并在所述基础检测模型的头部添加特征模仿头；所述S1中特征模仿头包括依次串联的两个卷积模块和非线性映射头；所述卷积模块包括卷积层Conv2d、归一化层BatchNorm2d和激活层SiLU；所述非线性映射头包括卷积层Conv2d、归一化层BatchNorm2d、激活层SiLU和卷积层Conv2d；S2：根据基础检测模型头部的分类头、回归头和特征模仿头输出结果，计算目标预测结果和真实标签间的分类得分与交并比，并利用任务对齐学习技术计算各个样例特征的样例质量度量；S3：设定样例高质量度量阈值和样例低质量度量阈值，并基于设定阈值对各个样例特征的样例质量度量筛选得到对应的高质量样例特征和低质量样例特征；S4：利用高质量样例特征在线更新类中心特征内存库；所述S4中利用高质量样例特征在线更新类中心特征内存库，公式为： 其中，为更新后第类在类中心特征内存库的特征嵌入，为更新前第类在类中心特征内存库的特征嵌入，为动量因子，为当前批量中计算得到的第类类中心特征，为所有高质量样例的数量，为第个高质量样例的目标特征嵌入，为指示函数，为第个高质量样例的类标签是否为，如果是，则为1，否则为0；S5：利用低质量样例特征和更新后的类中心特征内存库，构建模仿对比损失；所述S5中包括以下分步骤：S51：基于余弦相似性计算低质量样例特征和更新后类中心特征内存库的类中心特征之间的相似性；S52：基于相似性构建模仿对比损失；所述S52中构建模仿对比损失为： 其中，为模仿对比损失，为基础检测模型中的分类损失，为基础检测模型中的回归损失，为权重参数，为实例级损失，为类级损失； 其中，为低质量样例个数，为余弦相似函数，为第个低质量样例特征嵌入，且类别为，为温度参数； 其中，为类别个数，为更新前第类在类中心特征内存库的特征嵌入，为更新后第类在类中心特征内存库的特征嵌入；S6：基于模仿对比损失对遥感微弱与密集目标检测模型进行训练，获得训练后的遥感微弱与密集目标检测模型；S7：将训练后的遥感微弱与密集目标检测模型应用到实际场景中，完成基于特征模仿学习的遥感微弱与密集目标检测。

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北工业大学，其通讯地址为：710068 陕西省西安市碑林区友谊西路127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”。