買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網恭喜云南大學申請的專利基于卷積神經網絡的細粒度鼠類識別方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN116310617B 。

龍圖騰網通過國家知識產權局官網在2025-05-06發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202211089355.3，技術領域涉及：G06V10/774；該發明授權基于卷積神經網絡的細粒度鼠類識別方法是由吳鑫然;陳祥;岳昆;高子厚;邵宗體;段亮設計研發完成，并于2022-09-07向國家知識產權局提交的專利申請。

本基于卷積神經網絡的細粒度鼠類識別方法在說明書摘要公布了：本發明公開了一種基于卷積神經網絡的細粒度鼠類識別方法，收集鼠類圖像樣本集，構建基于三分支卷積神經網絡的細粒度鼠類識別模型，包括圖像特征提取模塊、主體區域選擇模塊、擦除視角圖像生成模塊、裁切視角圖像生成模塊、全局平均池化模塊、分類網絡和識別結果融合模塊，通過對提取的主體視角、擦除視角、裁切視角的特征進行識別，融合得到最終的識別結果，采用鼠類圖像樣本集對細粒度鼠類識別模型進行訓練，采用訓練好的細粒度鼠類識別模型對待識別的老鼠圖像進行識別。本發明通過構建基于三分支卷積神經網絡的細粒度鼠類識別模型，能有效過濾背景噪聲，聚焦于鼠類圖像中的重要區域，增強局部特征的表征能力，從而提高細粒度鼠類識別的精度。

本發明授權基于卷積神經網絡的細粒度鼠類識別方法在權利要求書中公布了：1.一種基于卷積神經網絡的細粒度鼠類識別方法，其特征在于，包括以下步驟：S1：根據實際需要確定N個老鼠類別，對于每個老鼠類別分別收集若干圖像樣本并采用預設方法進行預處理，根據老鼠類別對每個圖像樣本進行分類標注，得到鼠類圖像樣本集D；S2：構建基于三分支卷積神經網絡的細粒度鼠類識別模型，包括圖像特征提取模塊、主體區域選擇模塊、擦除視角圖像生成模塊、裁切視角圖像生成模塊、全局平均池化模塊、分類網絡和識別結果融合模塊，其中：圖像特征提取模塊用于對輸入的老鼠圖像Irow、擦除視角圖像生成模塊發送的擦除視角圖像Ierase、裁切視角圖像生成模塊發送的裁切視角圖像Icrop分別進行特征提取，得到大小為H×W×C的特征圖Fi，其中H、W分別表示特征圖Fi的高和寬，C表示特征圖Fi的通道數，i∈{row,erase,crop}，記特征圖Fi中所有特征點的集合為Pi＝{pi,1,pi,2,...,pi,H×W}，pi,j∈RC表示特征圖Fi的第j個特征點的特征向量，j＝1,2,...,H×W，R表示實數域；然后將特征圖Frow、Ferase發送給主體區域選擇模塊，將特征圖Fcrop發送給全局平均池化模塊；主體區域選擇模塊用于對特征圖Frow、Ferase進行主體區域選擇，得到特征圖中作為主體區域的特征點集合Pr′ow、Pe′rase，將老鼠圖像Irow的主體區域的特征點集合Pr′ow發送給鼠類擦除視角生成模塊、鼠類裁切視角生成模塊和全局平均池化模塊，將擦除視角圖像Ierase的主體區域的特征點集合Pe′rase發送給全局平均池化模塊；主體區域選擇模塊包括全連接層和主體特征點篩選模塊，其中：全連接層用于將特征圖Fi′中每一個特征點pi′,j分別作為一個獨立的區域特征進行分類預測，i′∈{row,erase}，得到每個特征點pi′,j的鼠類置信度向量fi′,j∈RN，然后輸出至主體特征點篩選模塊；主體特征點篩選模塊在接收到所有特征點pi′,j預測的鼠類置信度向量fi′,j后，從每個鼠類置信度向量fi′,j中選取最大置信度值作為該特征點表征局部區域的判別權重，將所有特征點按照判別權重從大到小進行排序，選取前K個判別權重對應的特征點的集合Pi″作為主體區域，K的值根據實際需要確定；鼠類擦除視角生成模塊用于根據老鼠圖像Irow的主體區域的特征點集合Pr′ow生成老鼠圖像Irow對應的擦除視角圖像Ierase，具體方法為：隨機從特征點集合Pr′ow中選擇M個特征點cm，m＝1,2,...,M，M的值根據實際需要確定且1≤M≤K；然后根據老鼠圖像Irow和特征圖Frow中像素點的映射關系，將這M個特征點映射回老鼠圖像Irow得到M個像素點c′m，以像素點c′m為中心從老鼠圖像Irow中擦除M個預設形狀區域，得到擦除視角圖像Ierase并輸出至圖像特征提取模塊；鼠類裁切視角生成模塊用于根據老鼠圖像Irow的主體區域的特征點集合Pr′ow生成老鼠圖像Irow對應的裁切視角圖像Icrop，具體方法為：隨機從特征點集合Pr′ow中選擇H個特征點h＝1,2,...,H，H的值根據實際需要確定且1≤H≤K，然后根據老鼠圖像Irow和特征圖Frow中像素點的映射關系，將H個特征點的坐標映射回老鼠圖像Irow中得到H個像素點以像素點為中心、按照預設邊長從老鼠圖像Irow中裁切得到H個矩形區域，按照預設的組合方式將H個矩形區域組合為一張圖像，并放大至老鼠圖像Irow大小，得到裁切視角圖像Ierase并輸出至圖像特征提取模塊；全局平均池化模塊用于對特征點集合Pr′ow、Pe′rase中所有特征點對應的區域特征進行全局平均池化，得到主體視角特征frow∈RC和擦除視角特征ferase∈RC；對裁切視角圖像Icrop的特征圖Fcrop進行全局平均池化，得到裁切視角特征fcrop∈RC；然后將各個視角特征fi輸出至分類網絡；分類網絡用于根據視角特征fi進行分類，得到該視角下的識別結果si∈RN并輸出至識別結果融合模塊，si中第n個元素為老鼠圖像Irow屬于第n個老鼠類別的置信度；識別結果融合模塊用于將三個視角的識別結果si進行加權融合，得到最終的識別結果spre：spre＝λrow×srow+λerase×serase+λcrop×scrop其中，λrow、λerase、λcrop分別表示預設的對應視角的權重，且λrow+λerase+λcrop＝1；將識別結果spre中置信度最大值對應的老鼠類別作為老鼠圖像Irow所屬的類別；S3：采用步驟S1中的鼠類圖像樣本集D對細粒度鼠類識別模型進行訓練，得到訓練好的細粒度鼠類識別模型，訓練中采用如下方法計算每個圖像樣本的損失函數Ltotal：對于每一個分支網絡，使用交叉熵損失函數單獨計算各個視角識別結果的分類損失函數Li：Li＝-sreallogsi其中，sreal表示根據圖像樣本標注類別的one-hot編碼；然后采用如下公式計算中心損失函數Lcenter： 其中，cn表示第n個類別的特征中心，采用如下方式迭代更新得到： 其中，c′n表示更新前的類別特征中心，其初始值為0向量，α表示預設的學習率；采用如下公式計算聯合損失函數Ltotal：Ltotal＝γrow×Lrow+γerase×Lerase+γcrop×Lcrop+γcenter×Lcenter其中，γrow、γerase、γcrop、γcenter分別表示預設的對應損失函數的權重；S4：將待識別的老鼠圖像采用步驟S1相同的預處理方法進行預處理，然后輸入訓練好的細粒度鼠類識別模型中，得到識別結果。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人云南大學，其通訊地址為：650091 云南省昆明市翠湖北路2號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。