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！

龙图腾网获悉西南交通大学申请的专利面向多模态目标检测的对象级对比学习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：CN121686188B 。

龙图腾网通过国家知识产权局官网在2026-04-28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：202610180195.5，技术领域涉及：G06V10/82；该发明授权面向多模态目标检测的对象级对比学习方法是由叶沅鑫;范乘嘉;马献平;王密;薛宇航设计研发完成，并于2026-02-09向国家知识产权局提交的专利申请。

本面向多模态目标检测的对象级对比学习方法在说明书摘要公布了：本发明属于图像处理与计算机视觉领域，涉及一种面向多模态目标检测的对象级对比学习方法。针对多模态遥感图像标注成本高、预训练结构与检测任务不匹配及模态间互补信息利用不足的问题，提出一种对象级模态内与跨模态联合对比学习方法。该方法获取并预处理成对可见光与红外图像，生成并筛选候选框；对两模态图像执行多视图增强并同步映射提议框；构建双分支预训练网络，在特征金字塔多层级提取对象特征，通过模态内与跨模态对比损失联合优化并采用指数移动平均更新目标网络参数。预训练完成后迁移至检测模型，经少量标注数据微调实现多模态融合检测，可提高检测精度与鲁棒性，减少标注依赖。

本发明授权面向多模态目标检测的对象级对比学习方法在权利要求书中公布了：1.面向多模态目标检测的对象级对比学习方法，其特征在于，包括以下步骤： S1、多模态图像获取与预处理，从多模态遥感图像库中获取成对的可见光图像与红外图像，得到多组可见光-红外图像对，对每一组图像进行几何配准，使两模态在空间上对应一致；对配准后图像执行尺寸统一与像素标准化处理，得到预处理后的多模态图像对； S2、对象提议框生成及筛选，采用选择性搜索方法生成每幅图像的初始对象提议框，并对对象提议框执行： 1按对象提议框中心点坐标与宽高建模； 2按预设尺寸约束筛选，仅保留满足、要求的对象提议框，其中W为原图宽，H为原图高，为对象提议框的宽度，为对象提议框的高度，为预设最小宽阈值，为预设最小高阈值，、对应筛选对象提议框时允许的最小宽度和高度，为预设最大宽高比例因子； 3对所有对象提议框执行框抖动，使其中心点及宽高在预设范围内随机扰动； 4利用基于少量真实标注样本训练的提议分类网络，对对象提议框进行二分类以判断对象提议框内部是否包含待检测对象，并且将“框内无对象”的对象提议框删除，仅保留“框内有对象”的对象提议框； 5在训练的每一轮迭代中，从每幅图像中随机选取K个对象提议框作为对象级对比学习的基础单元； S3、多模态多视图数据增强与对象提议框同步映射，对每一模态图像分别执行两种增强策略得到增强视图，每种策略包括随机裁剪并重采样、随机翻转、颜色扰动、亮度与对比度变化、灰度化、高斯模糊中的至少一种；对增强过程中的几何变换进行同步记录，并按增强变换将对象提议框映射至对应增强视图，以确保同一对象提议框在不同视图中保持语义对应关系； S4、基于主干网络与特征金字塔网络的对象级特征提取，构建与多模态目标检测模型结构一致的双分支预训练网络，每个模态分支包含主干特征提取网络和特征金字塔网络；将每个增强视图输入各模态分支，获得多尺度特征图；根据对象提议框尺寸选择对应尺度的特征图，通过区域对齐采样操作获取固定大小的对象级特征图，并输入投影模块和预测模块，得到归一化的对象级特征表示； S5、对象级对比损失构建与网络参数更新： 1构建同一模态不同增强视图之间的模态内对象级对比损失： ， 其中，K为对象提议框个数，指代在线网络的权重参数，指代目标网络的权重参数，指代当前在线网络从对应可见光模态图像里提取出来的第个特征图，指代当前目标网络从对应可见光模态图像里提取出来的第个特征图，指代当前在线网络从对应红外模态图像里提取出来的第个特征图，指代当前目标网络从对应红外模态图像里提取出来的第个特征图，为第个对象提议框对应特征的模态内对比损失，计算过程如下： 其中，m指代可见光或红外图像，指代当前在线网络从对应m模态图像里提取出来的第个特征图，指代当前目标网络从对应m模态图像里提取出来的第个特征图； 2构建可见光模态与红外模态之间的跨模态对象级对比损失，对于第个对象提议框对应的特征，对比损失计算过程如下： ； 3将模态内对比损失与跨模态对比损失按预设权重相加得到总对比损失，与为预设的平衡系数； 4对在线网络基于所述总对比损失执行反向传播以更新在线网络参数；对目标网络参数采用指数移动平均策略按照预设动量系数由在线网络参数更新；当达到预设最大训练轮数或迭代次数，或总对比损失满足预设收敛条件时结束训练，得到对象级对比预训练后的双分支网络，并输出其主干特征提取网络与特征金字塔网络的预训练参数用于后续迁移； S6、多模态目标检测微调，将经对象级对比预训练获得的双分支网络的主干网络与特征金字塔网络参数迁移至多模态目标检测模型，基于带有真实标注的训练集对检测头进行有监督微调，最终实现多模态目标检测。

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南交通大学，其通讯地址为：611700 四川省成都市二环路北一段111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”。

以上内容由龙图腾AI智能生成。