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！

龙图腾网获悉西安电子科技大学申请的专利一种基于剪切波网络和方向注意机制的图像分类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：CN116109855B 。

龙图腾网通过国家知识产权局官网在2025-07-29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：202211044682.7，技术领域涉及：G06V10/764；该发明授权一种基于剪切波网络和方向注意机制的图像分类方法是由郭雨薇;高宇鹏;杜佳勃;张文豪设计研发完成，并于2022-08-30向国家知识产权局提交的专利申请。

本一种基于剪切波网络和方向注意机制的图像分类方法在说明书摘要公布了：本发明公开了一种基于剪切波网络和方向注意机制的图像分类方法，主要解决现有方法忽略具有判别性的分解特征，导致图像分类运行速度及准确度欠佳的问题。方案包括：1构建训练样本集，并对其进行预处理和填充，得到待分解图像集合；2构建由剪切波网络、方向注意模块以及轻量级卷积神经网络组成的轻量级网络模型；其中剪切波网络用于提取图像不同方向的特征，方向注意模块根据图像不同方向特征的重要性赋予自适应的权重，轻量级卷积神经网络进行抽象特征提取；3对所构建的轻量级网络模型进行训练；4利用训练好的网络模型对待分类图像进行类别预测，完成分类。本发明能够有效降低计算成本，同时提升图像分类运行速度及准确度。

本发明授权一种基于剪切波网络和方向注意机制的图像分类方法在权利要求书中公布了：1.一种基于剪切波网络和方向注意机制的图像分类方法，其特征在于构建一个能够在图像不同方向上提取纹理轮廓和几何特征，且能对图像中利于分类的方向特征进行自适应权重增加的轻量级网络模型，用其提取图像中用于分类的特征，并输出分类预测向量；具体包括如下步骤： 1构建训练样本集，并对其进行预处理和填充，得到待分解图像集合： 1.1通过公开数据集或者根据分类场景需要拍摄特定场景的图像构建包含图像样本数为m、类别数为c的训练样本集其对应的真实标签为其中，Hz和Wz分别为第z个图像样本的高和宽； 1.2对训练样本集X中每一张图像的所有像素进行归一化处理，得到像素值在区间[0,1]内的归一化后图像； 1.3对归一化后图像进行水平翻转、边缘填充和随机裁剪，得到预处理后的训练样本集其中，H和W表示裁剪后图像样本的高和宽； 1.4对预处理后的训练样本集进行长度为p的边缘填充，p≥0，得到待分解图像集合 2构建由剪切波网络、方向注意模块以及轻量级卷积神经网络组成的轻量级网络模型： 2.1构建3层滤波器结构的剪切波网络，实现步骤如下； 2.1.1创建高斯低通滤波器作为剪切波网络第1层的滤波器，用于对输入图像进行低通滤波，得到图像的低频信息； 2.1.2根据剪切波变换创建剪切波滤波器组ψ作为剪切波网络第2层的滤波器： 其中，a表示控制剪切波变换尺度的滤波器参数，s表示控制剪切波变换方向的滤波器参数； 2.1.3根据剪切波变换创建9个与ψ相同的剪切波滤波器组，并将其分别与步骤2.1.2创建的剪切波滤波器组ψ中每个滤波器进行级联，这9个剪切波滤波器组共同作为剪切波网络第3层的滤波器； 2.1.4第1、2、3层的滤波器共同组成剪切波网络，用于得到待分解图像的分解特征B； 2.2构建方向注意模块，具体步骤如下： 2.2.1选用SENet的通道注意模块构成图像自适应权重向量提取部分，其结构为GAP→FC1→激活函数→FC2→激活函数，其中GAP代表全局平均池化，FC1代表用于对向量长度进行压缩的全连接层，FC2代表用于对向量长度进行扩张的全连接层； 2.2.2使用D层二维卷积构成图像多尺度信息提取部分，D≥1，其结构为串联结构，即：第1二维卷积→第2二维卷积→···→第D二维卷积； 2.2.3图像自适应权重向量提取部分与多尺度信息提取部分共同组成方向注意模块，用于对分解特征B进一步处理得到加权的多方向和多尺度特征集合F； 2.3构建轻量级卷积神经网络，具体步骤如下： 2.3.1构建1×1卷积块，其结构为第1二维卷积→激活函数→Dropout→第2二维卷积→Dropout；Dropout表示随机失活层；第1和第2二维卷积的卷积核尺寸均为1×1； 2.3.2将n个步骤2.3.1构建的1×1卷积块串联，其中n≥D，并在最后一个1×1卷积块后依次串联一个全局平均池化层、一个全连接层以及一个softmax层，得到轻量级卷积神经网络，用于对多方向和多尺度特征集合F进行抽象特征提取，得到最终的分类预测向量其中c为训练样本集中图像的类别数； 2.4将剪切波网络的输出作为方向注意模块的输入、方向注意模块的第1层二维卷积的输出作为轻量级卷积神经网络第一个1×1卷积的输入，其余D-1层二维卷积的输出与轻量级卷积神经网络的前D-1层输出相加，得到轻量级网络模型； 3训练轻量级网络模型： 3.1将待分解图像集合X”中的第z张样本图像xz”输入轻量级网络模型中，由模型输出其分类预测向量pxz”；根据pxz”和xz”对应的训练样本集中图像样本xz的真实标签yz计算轻量级网络模型的预测损失L： 其中，表示轻量级网络模型预测样本图像xz属于类别i的概率；yz_i为样本图像xz真实标签yz的分量，如果样本图像xz的真实标签是第i类，则yz_i＝1，否则yz_i＝0； 3.2使用反向传播算法对轻量级网络模型的可训练参数进行更新，并在训练过程中使用SGD算法作为优化器对网络进行训练； 3.3取z＝1,2,...,m，重复执行步骤3.1到3.2直至训练完待分解图像集合X”中的所有图像，得到训练好的轻量级网络模型； 4将待分类图像输入训练好的轻量级网络模型，得到分类图像对应的分类预测向量，选择预测向量中元素值最大的类别作为图像的预测类别，完成图像分类。

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电子科技大学，其通讯地址为：710071 陕西省西安市太白南路2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”。