专利交易市场

本发明提供融合视觉扩张机制和路径聚合的目标检测方法及系统，其中，方法包括：获取目标检测的目标图像；基于视觉扩张机制，对目标图像的浅层特征进行感受野增强；基于路径聚合模型，对感受野增强后的浅层特征和目标图像的深层特征进行双向融合，获得多尺度全局特征图；基于深层特征增强模型，对多尺度全局特征图进行深层特征增强；基于混合注意力机制，对深层特征增强后的多尺度全局特征图进行目标检测。本发明的融合视觉扩张机制和路径聚合的目标检测方法及系统，利用视觉扩张机制来扩大浅层特征的感受野，然后通过路径聚合的方式使得深层特征与浅层特征进行双向融合，进一步提高浅层特征的语义信息并生成多尺度全局特征图。

本发明公开了一种移动端实时目标检测方法、终端设备及存储介质，目标检测方法包括对输入的特征图分通道提取特征后进行拼接，得到信息交互后的特征图；将信息交互后的特征图分为第一通道和第二通道；利用PGConv模块提取第一通道中的局部特征，利用PGConv模块和ShiftMLP模块分别提取第二通道中的局部特征和全局特征；拼接第一通道中的局部特征以及第二通道中的局部特征和全局特征，得到目标的特征。本发明的移动端实时目标检测方法，能够解决通道无法相互通信的问题，同时能够大量的降低计算量与参数量，可在移动端获取精确的目标检测结果。

本发明公开了基于深度注意力的自适应多尺度视觉特征表达方法及系统，包括：获取原始神经网络模型作为SDA网络模块的主干分支，用于分层特征的提取；设计SDA网络模块的轻量化深度注意力分支，用于动态加权分层特征；堆叠多个SDA网络模块构成神经网络，即为基于深度注意力的自适应多尺度视觉特征表达的神经网络方法；对自适应多尺度特征表达神经网络SDA‑Net进行参数优化，所得到的神经网络模型可用于图像分类、目标检测和语义分割等视觉任务的主干。

本发明公开了一种用于点云分类分割的动态图语义特征提取方法，涉及点云特征提取技术领域。本发明包括以下步骤：输入具有n个点的C维数据P；构建局部动态图，定义xi的k个邻居点#imgabs0#边缘特征eij＝hθ(xi,xj)，通过边缘函数hθ聚合点xi的邻居特征。本发明通过最大池化获得所有局部图上最有代表性的语义信息，获得语义特征最明显的位置；将所有的特征图按照通道维度分为组，并通过获得各局部图中语义特征最强的特征，这样之后利用各组全局统计特征与局部位置特征的相似性作为注意指导，生成语义特征提取的掩模，且使用图注意力给局部图上的特征分配不同的权重，采用求和来聚合局部图点与点之间的信息；最后自适应对特征进行融合。

本发明涉及图像处理技术领域，具体涉及遥感图像的特征增强方法及系统，方法包括：构建特征增强模型，特征增强模型包括双向自适应局部‑全局特征编码器、解码器和重构单元；双向自适应局部‑全局特征编码器用于提取精分辨率图像的多分辨率局部‑全局特征和粗分辨率图像的多分辨率局部‑全局特征；通过将待处理图像输入双向自适应局部‑全局特征编码器，提取浅层局部特征和多个分辨率的局部‑全局特征；将浅层局部特征和多个分辨率的局部‑全局特征经解码器从低分辨率向高分辨率逐级融合，生成理想分辨率的融合特征，进而通过重构单元将理想分辨率的融合特征生成高分辨率图像；本发明能够增强遥感影像多尺度局部和全局特征的表达。