(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211215852.3 (22)申请日 2022.09.30 (71)申请人 中国计量大 学 地址 310018 浙江省杭州市下沙高教园区 学源街258号 (72)发明人 王修晖　张荣泽　彭飞荣　马祥　 徐新胜　王乐　徐楠轩　谭凌波　 黄杰　周永霞　何灵敏　杨小兵　 (74)专利代理 机构 北京博思佳知识产权代理有 限公司 1 1415 专利代理师 王茹 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/80(2022.01) G06Q 30/00(2012.01)G06N 3/04(2006.01) (54)发明名称 商标检测方法和装置、 介质和计算机设备 (57)摘要 一种商标检测方法和装置、 介质和计算机设 备， 所述方法包括： 获取目标图像； 通过目标检测 网络对目标图像中的商 标的类别信息进行检测； 目标检测 网络包括： 特征提取子网络， 包括级联 的多个特征提取模块， 每个特征提取模块用于对 本模块的输入特征进行特征提取； 融合子网络， 包括级联的多个融合模块， 每个融合模块通过一 个第一卷积模块连接一个特征提取模块； 每个融 合模块的输出特征至少通过对该融合模块的前 一融合模块的输出特征与该融合模块及该融合 模块之后的各个融合模块对应的第一卷积模块 的输出特征进行融合得到； 至少一个融合模块的 输出特征融合有该融合模块对应的第一卷积模 块的输入特征； 所述类别信息基于各个融合模块 的输出特征获取。 权利要求书2页 说明书10页 附图3页 CN 115512161 A 2022.12.23 CN 115512161 A 1.一种商标检测方法， 其特 征在于， 所述方法包括： 获取目标图像； 通过目标检测网络对所述目标图像中的商标的类别 信息进行检测； 所述目标检测网络包括： 特征提取子网络， 包括级联的多个特征提取模块， 每个特征提取模块用于对本模块的 输入特征进行特征提取， 得到 本模块的输出 特征； 融合子网络， 包括级联的多个融合模块， 每个融合模块通过一个第一卷积模块连接一 个特征提取模块； 每个融合模块的输出特征至少通过对该融合模块的前一融合模块的输出 特征与该融合模块及该融合模块之后的各个融合模块对应的第一卷积模块的输出特征进 行融合得到； 至少一个融合模块的输出特征融合有该融合模块对应的第一卷积模块的输入 特征； 所述类别 信息基于各个融合模块的输出 特征获取。 2.根据权利要求1所述的方法， 其特 征在于， 每 个特征提取模块包括： 第二卷积模块和级联的多个第一bot tleneck模块； 每个第一bottleneck模块用于对该第一bottleneck模块的输入特征进行特征提取， 基 于第一注 意力权重对提取出的特征进行加权处理， 并对 该第一bott leneck模块的输入 特征 和加权处理后的特征进 行融合后输出； 首个第一bott leneck模块的输入 特征为所述第二卷 积模块的输出 特征； 该特征提取模块的输出特征通过对所述第二卷积模块的输出特征和最后一个第一 bottleneck模块的输出 特征进行融合得到 。 3.根据权利要求1所述的方法， 其特征在于， 第i个融合模块之后的各个融合模块对应 的第一卷积模块的输出特征经上采样后与第i个融合模块对应的第一卷积模块的输出特征 进行融合， 并作为第i个融合模块的输入特 征； 第i‑1个的输出特征经下采样后与第i个融合模块的输入特征进行融合， 并作为第i个 融合模块的输出 特征。 4.根据权利要求1所述的方法， 其特 征在于， 每 个融合模块包括： 第三卷积模块和级联的多个第二bot tleneck模块； 每个第二bottleneck模块用于对该第二bottleneck模块的输入特征进行特征提取， 并 基于第二注 意力权重对提取出的特征进 行加权处理后输出； 首个第二bottleneck模块的输 入特征为所述第三卷积模块的输出 特征； 该融合模块的输出特征通过对所述第三卷积模块的输出特征和最后一个第二 bottleneck模块的输出 特征进行融合得到 。 5.根据权利要求1所述的方法， 其特征在于， 所述融合子网络还包括多个注意力模块， 每个注意力模块对应于一个融合模块， 用于基于该注意力模块对应的第三注意力权重对该 注意力模块对应的融合模块的输出特征进行加权处理， 得到该注意力模块对应的输出特 征； 所述类别 信息基于各个注意力模块的输出 特征获取。 6.根据权利要求1所述的方法， 其特 征在于， 所述方法还 包括： 获取样本图像； 通过原始检测网络对所述样本图像中的商标进行检测， 得到所述样本图像中的商标的权　利　要　求　书 1/2 页 2 CN 115512161 A 2预测检测框； 基于所述样本图像中的商标的预测检测框和所述样本图像中的商标的真实检测框建 立损失函数； 基于所述损失函数对所述原 始检测网络进行训练， 得到所述目标检测网络 。 7.根据权利要求6所述的方法， 其特征在于， 所述基于所述样本图像中的商标的预测检 测框和所述样本图像中的商标的真实检测框建立损失函数， 包括： 确定所述预测检测框与所述真实检测框的交并比； 基于所述交并比建立α ‑IOU损失函数。 8.根据权利要求6或7 所述的方法， 其特 征在于， 所述预测检测框基于以下 方式确定： 获取所述样本图像中的商标的多个候选检测框； 确定所述多个候选检测框 中每个候选检测框与参考检测框的交并比； 所述参考检测框 为所述多个候选检测框中置信度最高的检测框； 确定所述每 个候选检测框的中心点与参 考检测框的中心点之间的距离； 基于所述每个候选检测框与参考检测框的交并比以及所述每个候选检测框的中心点 与参考检测框的中心点之间的距离， 从所述多个候选检测框中筛选出至少一个预测检测 框。 9.一种商标检测装置， 其特 征在于， 所述装置包括： 获取模块， 用于获取目标图像； 检测模块， 用于通过目标检测网络对所述目标图像中的商标的类别 信息进行检测； 所述目标检测网络包括： 特征提取子网络， 包括级联的多个特征提取模块， 每个特征提取模块用于对本模块的 输入特征进行特征提取， 得到 本模块的输出 特征； 融合子网络， 包括级联的多个融合模块， 每个融合模块通过一个第一卷积模块连接一 个特征提取模块； 每个融合模块的输出特征至少通过对该融合模块的前一融合模块的输出 特征与该融合模块及该融合模块之后的各个融合模块对应的第一卷积模块的输出特征进 行融合得到； 至少一个融合模块的输出特征融合有该融合模块对应的第一卷积模块的输入 特征； 所述类别 信息基于各个融合模块的输出 特征获取。 10.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 该程序被处理器 执行时实现权利要求1至8任意 一项所述的方法。权　利　要　求　书 2/2 页 3 CN 115512161 A 3