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！

龍圖騰網恭喜電子科技大學申請的專利一種融合全連接層與深度卷積特征的圖像檢索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：CN116701689B 。

龍圖騰網通過國家知識產權局官網在2025-05-23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：202310606770.X，技術領域涉及：G06F16/58；該發明授權一種融合全連接層與深度卷積特征的圖像檢索方法是由鄭宏;施鑫林;唐國良;于力;李芳設計研發完成，并于2023-05-26向國家知識產權局提交的專利申請。

本一種融合全連接層與深度卷積特征的圖像檢索方法在說明書摘要公布了：本發明公開的一種融合全連接層與深度卷積特征的圖像檢索方法，屬于計算機視覺、深度學習技術領域，在現有R?MAC卷積特征后處理方式的基礎上，通過基于區間前綴和計算的采樣頻次校正和區域響應的權重校正，提出了MCR?MAC卷積特征后處理方式，在考慮不同尺度上特征信息的同時，更加關注局部特征的聚合，并進一步融合全連接層輸出的權重向量，以衡量各特征圖的重要性，此外在基于三元組數據形式的訓練集進行模型訓練時，凍結卷積層參數，以保留MCR?MAC特征，賦予全連接層的特征組合能力；本發明可顯著提升圖像檢索算法的準確率。

本發明授權一種融合全連接層與深度卷積特征的圖像檢索方法在權利要求書中公布了：1.一種融合全連接層與深度卷積特征的圖像檢索方法，其特征在于，包括以下步驟：步驟1：構建由多個三元組組成的訓練集，所述三元組包括查詢樣本、正樣本和負樣本；步驟2：構建圖像檢索框架，具體為：先構建不包括全連接層的深度卷積神經網絡模型，以最后一個最大池化層為輸出層，并在輸出層后連接MCR-MAC特征提取模塊；在深度卷積神經網絡模型的最后一個卷積層與輸出層之間連接依次的自適應最大池化層和全連接層，最后用Softmax函數激活全連接層的輸出；其中，深度卷積神經網絡模型的輸出層的輸出結果為w×h×c大小的深度卷積特征圖；所述MCR-MAC特征提取模塊包括最大值修正模塊和區域加權混合池化卷積激活模塊；所述最大值修正模塊對w×h×c大小的深度卷積特征圖分別在L個尺度下計算各特征值所在位置的采樣頻次分布，進而計算各特征值所在位置在L個尺度疊加下的采樣頻次分布，得到最大采樣頻次值，以及最大特征值所在位置對應的采樣頻次值；將最大采樣頻次值與最大特征值所在位置對應的采樣頻次值的比值作為第一修正系數，與各w×h大小的特征圖的最大池化響應值相乘，得到其最大池化響應值的修正值；所述區域加權混合池化卷積激活模塊采用L個尺度下滑動窗口式的均值池化和最大池化，計算各窗口區域的加權混合池化響應值，具體為：對各w×h大小的特征圖，將第l,l＝1,2,..,L個尺度下各窗口區域的均值池化值與最大池化值的比值作為第二修正系數，第二修正系數加1后與最大池化值相乘，得到第l,l＝1,2,..,L個尺度下各窗口區域的加權混合池化響應值；對各w×h大小的特征圖，將其最大池化響應值的修正值與L個尺度疊加下的各窗口區域的加權混合池化響應值求和，得到其最終響應值；進而得到由c個w×h大小的特征圖的最終響應值構成的w×h×c大小的深度卷積特征圖的特征向量，即MCR-MAC特征向量；所述深度卷積神經網絡模型的最后一個卷積層的輸出結果為2w×2h×c大小的深度卷積特征圖；所述自適應最大池化層將2w×2h×c大小的深度卷積特征圖壓縮為預設固定大小的深度卷積特征圖；所述全連接層通過線性投影將自適應最大池化層的輸出轉換為與MCR-MAC特征向量同維度的輸出向量，再用Softmax函數激活，得到權重向量；最后將MCR-MAC特征向量與權重向量進行點乘，得到加權MCR-MAC特征向量，作為圖像檢索框架的輸出；步驟3：基于訓練集，先對深度卷積神經網絡模型中的卷積層進行訓練，得到訓練后深度卷積神經網絡模型；之后凍結訓練后深度卷積神經網絡模型的卷積層參數，對全連接層進行訓練，得到訓練后全連接層；進而得到訓練后圖像檢索框架；步驟4：將待測試的查詢圖像輸入至訓練后圖像檢索框架，根據查詢圖像的特征向量與訓練集中所有圖像的特征向量之間的歐氏距離大小，排序后輸出圖像檢索結果。

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電子科技大學，其通訊地址為：611731 四川省成都市高新區(西區)西源大道2006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”。