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！

龙图腾网获悉西安理工大学申请的专利基于注意力增强和自动编码融合的图像检索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：CN115329114B 。

龙图腾网通过国家知识产权局官网在2026-05-05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：202210788267.6，技术领域涉及：G06F16/53；该发明授权基于注意力增强和自动编码融合的图像检索方法是由王志晓;王鑫;张九龙;屈小娥设计研发完成，并于2022-07-06向国家知识产权局提交的专利申请。

本基于注意力增强和自动编码融合的图像检索方法在说明书摘要公布了：本发明基于注意力增强和自动编码融合的图像检索方法，使用改进ResNet50网络提取全局特征映射和局部特征映射，根据全局特征映射和局部特征映射得到全局特征描述符和局部特征描述符，计算图像相似度，通过相似度对比，得出目标图像。本发明的图像检索方法，对传统残差块进行了改进，使用了自动机编码，有效的将局部特征和全局特征统一到一个网络中，通过注意力机制提取我们更关注的区域，避免了算法的开销，检索速度更快，准确度更高。

本发明授权基于注意力增强和自动编码融合的图像检索方法在权利要求书中公布了：1.基于注意力增强和自动编码融合的图像检索方法，其特征在于，使用改进ResNet50网络提取全局特征映射和局部特征映射，根据全局特征映射和局部特征映射得到全局特征描述符和局部特征描述符，计算图像相似度，通过相似度对比，得出目标图像； 具体按照以下步骤实施： 步骤1、对传统的ResNet50模型进行改进，并对残差网络进行训练并形成网络骨干，通过网络骨干得到全局和局部两个分支网络； 所述步骤1具体按照以下步骤实施： 步骤1.1、对ResNet50的残差块进行改进，残差块的排列顺序为批量归一化层，然后卷积层，最后是ReLU激活函数层； 步骤1.2、在GoogleLandmark数据集上对残差网络ResNet网络进行训练，迭代次数：100k，学习率：1e-3，权重衰减：0.0005，完成训练，得到全局和局部两个分支网络； 步骤2、给定一幅图像，通过步骤1中的两个分支网络得到两个特征映射，分别为全局特征映射和局部特征映射，提取全局特征映射中的深度激活特征D和局部特征映射中的浅层激活特征S； 步骤3、将步骤2中提取的深度激活特征D聚合成一个全局特征，并进行全局特征学习，得到全局特征描述符，根据步骤2中提取的浅层激活特征S，通过注意力机制，进行局部特征的学习，得到局部特征描述符； 步骤3得到全局特征描述符的具体步骤： 步骤3.1a、使用完全连接层F线性映射层整合特征维度，完成全局特征的提取，全局特征g的公式为1所示： 1 其中F是线性映射矩阵，b是偏差，p则是GeMPooling的范数，表示元素，GeMPooling的超参数p=3； 步骤3.2a、全局特征的学习采用归一化的softmax和交叉熵损失，并且通过引入ArcFacemargin减少类内差异，ArcFacemargin计算如公式2所示： 2 其中u是余弦相似性，m是弧面边距，我们设置的弧面余量m=0.1，c是一个二值； 使用softmax归一化计算的交叉熵损失，如公式3所示： 3 为可学习的尺度参数，初始化为:γ==45.25；是类的L2归一化分类器权重，y为one-hot的真值标签，在k类别处为1； 完成全局特征学习，得到全局描述符； 所述步骤3中得到局部特征描述符的具体步骤： 步骤3.1b、使用自动编码器AE结构来表示局部特征，即加入了一个1x1卷积作为编码器T，将原始的特征图通道数降低，以得到低维的局部特征表示；而为了配合训练，在后面还会接一个1x1卷积作为解码器，用低维的局部特征重建原始特征图；自编码器由2层无步长的1x1卷积构成，激活函数第一层用ReLU，第二层用Softplus； 自动编码器的损失函数公式如4所示： 4 S是输入，是反卷积之后生成的； 步骤3.2b、使用注意力网络对步骤3.1b中提取的低维的局部特征进行权重赋值，局部特征的选取主要依赖于一个小的注意力模块，用于选择最具有区别性的区域，这里的注意力热图由一个小的卷积网络得到，注意力的机制的输出y是网络提取的卷积特征权重的加权和，则得网络的输出如公式5所示： 5 得分函数是根据局部特征训练得到，其中是函数的参数，得分函数中的参数通过反向传播进行训练，其中梯度如公式6所示： 6 为了防止得分函数学习负权重，限制，得分函数是用顶部带有softplus激活的两层CNN设计的，使用了尺寸为1x1的卷积滤波器； 步骤3.3b、使用注意力权重对局部特征做一个整合，监督注意力图的生成，公式如7所示： 7 步骤3.4b、局部特征在训练中完成基本的分类任务，形成交叉熵损失如公式8所示： 8 整个网络训练的损失函数为全局特征损失+重建特征损失+局部特征损失，，其中我们设置的权重=10，的权重=1； 完成局部特征学习，得到局部描述符L=TS； 步骤4、根据局部特征描述符和全局特征描述符，计算查询图像与GoogleLandmark数据集图像之间的相似性；根据相似性对GoogleLandmark数据集中的图像进行排名和选择，得出目标图像。

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西安理工大学，其通讯地址为：710048 陕西省西安市碑林区金花南路5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。