買專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費(fèi)！專利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)恭喜廣州大學(xué)申請(qǐng)的專利一種基于注意力卷積神經(jīng)網(wǎng)絡(luò)的菊頭蝠識(shí)別方法獲國(guó)家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國(guó)家知識(shí)產(chǎn)權(quán)局授予，授權(quán)公告號(hào)為：CN114758379B 。

龍圖騰網(wǎng)通過國(guó)家知識(shí)產(chǎn)權(quán)局官網(wǎng)在2025-03-21發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請(qǐng)?zhí)?專利號(hào)為：202210240860.7，技術(shù)領(lǐng)域涉及：G06V40/16；該發(fā)明授權(quán)一種基于注意力卷積神經(jīng)網(wǎng)絡(luò)的菊頭蝠識(shí)別方法是由曹忠;王坤輝;余文華;尚文利;趙文靜設(shè)計(jì)研發(fā)完成，并于2022-03-10向國(guó)家知識(shí)產(chǎn)權(quán)局提交的專利申請(qǐng)。

本一種基于注意力卷積神經(jīng)網(wǎng)絡(luò)的菊頭蝠識(shí)別方法在說(shuō)明書摘要公布了：本發(fā)明公開了一種基于注意力卷積神經(jīng)網(wǎng)絡(luò)的菊頭蝠識(shí)別方法，包括步驟：S1、對(duì)原始圖像進(jìn)行預(yù)處理，生成數(shù)據(jù)集；S2、將數(shù)據(jù)集隨機(jī)劃分成訓(xùn)練集和測(cè)試集；S3、建立注意力卷積神經(jīng)網(wǎng)絡(luò)模型VGG16?CBAM；S4、使用訓(xùn)練集對(duì)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練；S5、使用測(cè)試集對(duì)網(wǎng)絡(luò)模型進(jìn)行驗(yàn)證。該基于注意力卷積神經(jīng)網(wǎng)絡(luò)的菊頭蝠識(shí)別方法，通過在卷積神經(jīng)網(wǎng)絡(luò)VGG16架構(gòu)的基礎(chǔ)上增加注意力模塊CBAM，使模型更加關(guān)注于菊頭蝠對(duì)象的細(xì)微特征，提高模型的表征能力，訓(xùn)練出的網(wǎng)絡(luò)模型VGG16?CBAM分類精度優(yōu)于單純的VGG16網(wǎng)絡(luò)架構(gòu)，VGG16?CBAM識(shí)別精度達(dá)到92.41％，并且在卷積層輸出后增加BNBatchNormalization層，防止梯度消失或梯度爆炸，解決了現(xiàn)有卷積神經(jīng)網(wǎng)絡(luò)很難找到完全代表對(duì)象的細(xì)微特征等問題。

本發(fā)明授權(quán)一種基于注意力卷積神經(jīng)網(wǎng)絡(luò)的菊頭蝠識(shí)別方法在權(quán)利要求書中公布了：1.一種基于注意力卷積神經(jīng)網(wǎng)絡(luò)的菊頭蝠識(shí)別方法，其特征在于，包括以下步驟：S1、原始圖像預(yù)處理及生成數(shù)據(jù)集由于收集到的菊頭蝠圖像的儲(chǔ)存格式不同，不便于后續(xù)處理，因此首先需要將圖片格式統(tǒng)一轉(zhuǎn)換為JPEG格式，同時(shí)考慮到現(xiàn)有菊頭蝠圖像并不是單一地對(duì)某一特征進(jìn)行拍攝，造成了原始數(shù)據(jù)集的圖像的菊頭蝠特征比較雜亂，對(duì)此需要采用臉部特征進(jìn)行識(shí)別分類，并且挑選出臉部特征比較明顯的圖像作為數(shù)據(jù)集；S2、數(shù)據(jù)集劃分完成圖像的預(yù)處理之后，將數(shù)據(jù)集按照約4:1的比例隨機(jī)劃分成訓(xùn)練集和測(cè)試集，其中訓(xùn)練集用于訓(xùn)練網(wǎng)絡(luò)以確定最佳參數(shù)，測(cè)試集用于驗(yàn)證網(wǎng)絡(luò)模型的可靠性和可行性；S3、建立模型建立用于菊頭蝠識(shí)別分類的注意力卷積神經(jīng)網(wǎng)絡(luò)模型VGG16-CBAM，且VGG16-CBAM相對(duì)于VGG16卷積神經(jīng)網(wǎng)絡(luò)模型而言，在Block4和Block5之間增加了注意力機(jī)制模塊CBAMConvolutionalBlockAttentionModule,進(jìn)一步增加VGG16的表征能力，CBAM由通道注意力ChannelAttention和空間注意力SpatialAttention順序連接組成；S4、模型訓(xùn)練網(wǎng)絡(luò)模型建立完成后，需要使用訓(xùn)練集去訓(xùn)練模型以得到最佳的網(wǎng)絡(luò)模型參數(shù)，我們根據(jù)訓(xùn)練集的數(shù)據(jù)量將訓(xùn)練集分成若干個(gè)批次Batch，其中每個(gè)批次的數(shù)據(jù)量為16張圖像，訓(xùn)練過程每個(gè)批次的圖像隨機(jī)打亂；S5、模型驗(yàn)證模型訓(xùn)練完成后，需要進(jìn)一步驗(yàn)證模型的可靠性和可行性，在這一步需要使用測(cè)試集去驗(yàn)證網(wǎng)絡(luò)的可靠性和可行性，在測(cè)試網(wǎng)絡(luò)時(shí)禁用BN層和Dropout層，避免權(quán)值的改變。

如需購(gòu)買、轉(zhuǎn)讓、實(shí)施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請(qǐng)人或?qū)＠麢?quán)人廣州大學(xué)，其通訊地址為：510006 廣東省廣州市大學(xué)城外環(huán)西路230號(hào)；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。