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！

龙图腾网恭喜南京理工大学申请的专利一种基于改进YOLOv4的无人机航拍小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：CN115063701B 。

龙图腾网通过国家知识产权局官网在2025-06-13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：202210701583.5，技术领域涉及：G06V20/17；该发明授权一种基于改进YOLOv4的无人机航拍小目标检测方法是由张祥金;赵丽娜;沈娜;华抟;郭竞杰;查继鹏;龚绍欢;杜廷蔚设计研发完成，并于2022-06-21向国家知识产权局提交的专利申请。

本一种基于改进YOLOv4的无人机航拍小目标检测方法在说明书摘要公布了：本发明公开一种基于改进YOLOv4的无人机航拍图像小目标检测方法，针对VisDrone数据集，首先对数据集进行统计及分析，然后建立改进的YOLOv4模型，骨干特征提取网络在CSPDarknet53的基础上构建MobileCSPDarknet‑tiny，加强特征提取网络在SPP与PANet的基础上构建ASPP与Bi‑PANet，最后训练模型并通过mAP及Totalparams评价目标检测性能。该方法在VisDrone数据集上的表现与原始的YOLOv4相比，mAP提高7.36％，参数量仅为原模型的24.49％，具有虚警率低、小目标识别率高的特点，适合于无人机图像的目标检测任务。

本发明授权一种基于改进YOLOv4的无人机航拍小目标检测方法在权利要求书中公布了：1.一种基于改进YOLOv4的无人机航拍小目标检测方法，其特征在于，包括如下步骤： 建立主干特征提取网络MobileCSPDarknet-tiny： 所述主干特征提取网络MobileCSPDarknet-tiny以CSPDarknet53为基础，去除第5个Resblock_body，并将剩余4个Resblock_body中的Resblock部分换做深度可分离模块，构造Mob_Resblock_body，以第2、3、4个Mob_Resblock_body的最后一层输出作为主干特征提取网络的输出，依次命名为out1，out2，out3； 建立加强特征提取网络ASPP+Bi-PANet： 所述加强特征提取网络ASPP+Bi-PANet首先分别为主干特征提取网络MobileCSPDarknet-tiny的三个输出out1，out2，out3各自添加了ASPP，然后在PANet的基础上，融合BiFPN思想，将上采样之后的通道堆叠和下采样之后的通道堆叠分别换成权重相加； 建立改进的YOLOv4模型： 改进的YOLOv4模型包括输入端、主干特征提取网络MobileCSPDarknet-tiny、加强特征提取网络ASPP+Bi-PANet以及分类回归层YOLOHead； 使用划分好的VisDrone数据集训练该模型，数据集包括多张图像； 当输入通道数等于输出通道数时，所述深度可分离模块依次序贯卷积核大小为3*3的深度卷积、BN层、第一激活函数、SELayer、卷积核大小为1*1的普通二维卷积、BN层、第二激活函数； 所述第一激活函数为h-swish＝x*ReLU6x+36，ReLU6＝minmaxx,0,6；所述SELayer依次序贯平均池化、全连接层、ReLU激活函数、全连接层、第三激活函数；所述第三激活函数为h-sigmoid＝ReLU6x+36，ReLU6＝minmaxx,0,6；所述第二激活函数为Mish＝x*tanhln1+ex，其中x为激活函数的输入； 当输入通道数不等于输出通道数时，所述深度可分离模块依次序贯卷积核大小为1*1的普通二维卷积、BN层、第一激活函数、卷积核大小为3*3的深度卷积、BN层、SELayer、第一激活函数、卷积核大小为1*1的普通二维卷积、BN层、第二激活函数； 所述第一激活函数为h-swish＝x*ReLU6x+36，ReLU6＝minmaxx,0,6；所述SELayer依次序贯平均池化、全连接层、ReLU激活函数、全连接层、第三激活函数；所述第三激活函数为h-sigmoid＝ReLU6x+36，ReLU6＝minmaxx,0,6；所述第二激活函数为Mish＝x*tanhln1+ex，其中x为激活函数的输入； 为主干特征提取网络MobileCSPDarknet-tiny的三个输出out1，out2，out3各自添加ASPP，具体过程为： 所述ASPP将SPP中池化核大小为5、9、13的最大池化分别换成空洞率为2、4、6的空洞卷积； out1依次经过卷积核大小为1*1的普通二维卷积、ASPP、卷积核大小为1*1的普通二维卷积，输出命名为out1_1；out2依次经过卷积核大小为1*1的普通二维卷积、ASPP、卷积核大小为1*1的普通二维卷积，输出命名为out2_1；out3依次经过三次卷积、ASPP、三次卷积、卷积核大小为1*1的普通二维卷积，输出命名为out3_1； 所述三次卷积依次序贯卷积核大小为1*1的普通二维卷积、卷积核大小为3*3的普通二维卷积、卷积核大小为1*1的普通二维卷积； 将上采样之后的通道堆叠和下采样之后的通道堆叠分别换成权重相加，具体过程为： out3_1经过卷积核大小为1*1的普通卷积和算法为nearest的上采样，输出ou3_2，将此过程定义为第一次上采样，第一次上采样之后的权重包括3部分，分别为w0*out2_1、w1*out3_2、w2*out2，三部分相加之后经过五次卷积，输出out2_3； out2_3经过卷积核大小为1*1的普通卷积和算法为nearest的上采样，输出ou2_2，将此过程定义为第二次上采样，第二次上采样之后的权重包括3部分，分别为w0 *out1_1、w1*out2_2、w2*out1，三部分相加之后经过五次卷积，输出out1_2； out1_2经过卷积核大小为3*3，步长为2的下采样，输出out1_3，将此过程定义为第一次下采样，第一次下采样之后的权重包括3部分，分别为w0*out1_3、w1*out2_3、w2*out2，三部分相加之后经过五次卷积，输出out2_5； out2_5经过卷积核大小为3*3，步长为2的下采样，输出out2_4，将此过程定义为第二次下采样，第二次下采样之后的权重包括3部分，分别为w0*out2_4、w1*out3_1、w2*out3，三部分相加之后经过五次卷积，输出out3_3； 其中w0、w1、w2为权重矩阵；所述五次卷积依次序贯卷积核大小为1*1的普通二维卷积、卷积核大小为3*3的普通二维卷积、卷积核大小为1*1的普通二维卷积、卷积核大小为3*3的普通二维卷积、卷积核大小为1*1的普通二维卷积。

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南京理工大学，其通讯地址为：210094 江苏省南京市孝陵卫200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”。