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！

龙图腾网获悉中国科学技术大学申请的专利基于语义掩码的毫米波雷达射频图像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：CN116844132B 。

龙图腾网通过国家知识产权局官网在2026-05-08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：202310728975.5，技术领域涉及：G06V20/58；该发明授权基于语义掩码的毫米波雷达射频图像目标检测方法是由刘军;吴煜之设计研发完成，并于2023-06-20向国家知识产权局提交的专利申请。

本基于语义掩码的毫米波雷达射频图像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语义掩码的毫米波雷达射频图像目标检测方法，对雷达信号进行快速傅里叶变换获得射频图像，并且作为训练数据；构建神经网络；通过所述训练数据集对神经网络进行前向传播，通过主译码器和辅助译码器分别得到两个预测标签值；通过真实标签数据和两个预测标签值分别确定主损失函数和辅助损失函数；通过所述主损失函数和辅助损失函数加权求和获得最终的损失函数；通过所述最终的损失函数对神经网络的参数进行反向传播，获得训练好的神经网络；通过训练好的神经网络对预测数据集进行预测和评估。本发明利用辅助语义损失针对性地对射频图像语义特征的提取能力进行了增强，获得了更高的检测精度。

本发明授权基于语义掩码的毫米波雷达射频图像目标检测方法在权利要求书中公布了：1.一种基于语义掩码的毫米波雷达射频图像目标检测方法，用于用于自动驾驶，其特征在于，该方法为： 对雷达信号进行快速傅里叶变换获得射频图像，并且作为训练数据； 构建神经网络； 通过所述训练数据集对神经网络进行前向传播，通过主译码器和辅助译码器分别得到两个预测标签值； 通过真实标签数据和两个预测标签值分别确定主损失函数和辅助损失函数； 通过所述主损失函数和辅助损失函数加权求和获得最终的损失函数； 通过所述最终的损失函数对神经网络的参数进行反向传播，获得训练好的神经网络； 通过训练好的神经网络对预测数据集进行预测和评估； 所述构建神经网络，具体包括依次构建神经网络中的3D嵌入层模块、时空融合模块、窗口Transformer模块、语义掩码模块、3D卷积下采样模块、主译码器Transformer模块、3D扩展模块、辅助译码器检测头； 其中，构建3D嵌入层模块，设输入射频图像序列表示为，其中输入尺寸分别为，使用两组连续的、卷积核大小为、stride分别为和的3D卷积，在每个3D卷积层后使用组归一化GN和ReLU激活函数，最终得到，其中维度 构建带有时空融合的窗口Transformer模块，将特征张量通过层归一化LN后输入PatchShift进行时空融合，得到，然后按设置窗口将维度拆分为，输入进多头注意力层并合并维度得到，再通过一个残差结构后依次送入归一化层和多层感知机MLP得到新的特征张量，同时输出作为编码器的Query，Key和Value； 所述带有时空融合的窗口Transformer模块中设置窗口为，输入的特征张量为，经过时空融合得到，经过维度拆分得，进入多头自注意力层并维度变换得到，最终经过归一化和MLP得到新的特征张量，、； 构建语义掩码模块，将特征张量中的前三维进行维度合并后分别输入两类线性层得到、和，然后将Q进行维度变换变为后直接输出为语义掩码特征，将Q,K,V分别作为Query、Key、Value输入进自注意力层进行交互后再通过线性层2并乘上可训练参数λ，最终通过残差结构并维度变换得到最终输出特征； 构建3D卷积下采样模块，输入的特征张量为，经过一个输入维度为、输出维度为、卷积核大小为、stride为、padding为的3D卷积层，然后通过BN层和ReLU层；接着再经过一个输入维度为、输出维度为、卷积核大小为、stride为、padding为的3D卷积层，然后通过GN层和ReLU层得到最终的输出；、； 构建主译码器Transformer模块，输入为特征张量以及接收的同层编码器输出的和，按对应的设置窗口将维度拆分为，输入进多头自注意力层并合并维度得到；将作为Query、接收的同层编码器的和作为Key和Value输入进多头注意力层并合并维度得到；将和加权求和后与输入相加，再依次送入归一化层和多层感知机MLP得到新的特征张量。

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中国科学技术大学，其通讯地址为：230002 安徽省合肥市金寨路96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。