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！

龙图腾网获悉西北工业大学申请的专利一种增强型多变换特征提取匹配网络模型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：CN116630645B 。

龙图腾网通过国家知识产权局官网在2025-08-29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：202310608376.X，技术领域涉及：G06V10/44；该发明授权一种增强型多变换特征提取匹配网络模型是由魏倩茹;黄佳讯设计研发完成，并于2023-05-27向国家知识产权局提交的专利申请。

本一种增强型多变换特征提取匹配网络模型在说明书摘要公布了：本发明公开了一种增强型多变换特征提取匹配网络模型，包括：EMTDL‑MatchNet重构查询集特征模块；EMTDL‑MatchNet特征学习模块；EMTDL‑MatchNet自适应匹配器。本发明在特征学习模块，加入了残差网络模块，可以减少网络在信息传递的时候存在信息丢失、损耗等问题。实现一定程度上的恒等变换（y=x）。增加了快捷连接分支，在线性转换和非线性转换之间寻求一个平衡，减少了信息在传递过程中的损失。

本发明授权一种增强型多变换特征提取匹配网络模型在权利要求书中公布了：1.一种增强型多变换特征提取匹配网络模型，其特征在于，包括： EMTDL-MatchNet重构查询集特征模块； EMTDL-MatchNet特征学习模块； EMTDL-MatchNet自适应匹配器； 所述EMTDL-MatchNet特征学习模块包括： 通过公式表示通道注意力和空间注意力处理过程； 通道注意力机制公式： ； 空间注意力机制公式： ； 将使用两种不同的融合方案将空间注意力机制和通道注意力机制融合起来； 在特征提取模块浅层，使用注意力融合方案1，帮助学习浅层特征；在特征提取模块深层，使用注意力融合方案2，帮助学习深层语义特征； 注意力融合方案1：给定一个原始特征图作为输入，在通过注意力机制处理后，可以获得： ； 进行信息增强，可以获得： ； 注意力融合方案2：主要分为两步； 第一步：将原始特征图进行两次STN转变处理，即分别通过STN1和STN2处理，得到和； 第二步：对由第一部分得到的两个结果和；然后分别通过两个注意力组合模块和得到和；具体模块用公式描述： ； 最后，将两个向量和进行维度上连接输入最后一层进行降通道处理，以减少模型的参数量； 将注意力融合方案1加入第三卷积层和第四卷积层之间，将注意力融合方案2加入第五卷积层和第六卷积层之间； 将特征学习模块分为三个ResNet模块；第一段ResNet1包括两个卷积层，第二段ResNet2包括两个卷积层以及第一种注意力融合方案，第三段ResNet3包括两个卷积层以及第二种注意力融合方案； 对于特征学习模块，将前三个卷积模块的输出通道分别设置为16、32、48，最后三个卷积块的输出通道是相同的即64； 所述EMTDL-MatchNet重构查询集特征模块包括： 假设经过特征学习模块处理的支持集输出特征进行平均处理，然后，平均支持集注意力特征与查询集注意力特征在通道维度进行融合； 将融合后的向量输入重构查询集特征模块，来减半融合特征的通道个数； 该模块拥有三层，每一层拥有3×3卷积核的卷积块，一个批量归一化和一个RELU非线性层； 重构查询集特征模块的输出作为新查询集注意力特征，新查询集注意力特征与支持集注意力特征在通道维度进行连接，形成查询集—支持集注意力特征向量；该特征向量输入匹配模块来计算类别分数； 对于重构查询集特征模块，重构查询集特征模块，三个卷积块的输入通道设置为128，96，96.输出通道分别设置为96、96和64； 所述EMTDL-MatchNet匹配模块包括： 将查询特征图和支持特征图在通道维度进行连接，然后将组合的特征图送入匹配器，使匹配器自调节地选择同类别的样本获得更高的相似度分数；采用非线性网络结构自适应地度量SAR图像样本的相似性，摒弃手工制作的固定度量，这种度量不适合复杂的SAR图像分类； 匹配模块包括两个卷积块和两个全连接层，其中，两个卷积模块都包含一个3×3卷积层、一个批量归一化层、一个ReLU非线性层和一个2×2最大池层；第一个全连接层的输出由ReLU计算，而最后一个FC层的输出由Sigmoid计算；最后一层利用大间隔softmax非线性化增加不同类别样本间的可分性，同时采用批规范化处理加快网络收敛速度； 对于匹配器，将前两个卷积块的输出通道设置为64和32；两个FC层的输入尺寸为32*2*2和32，而输出尺寸为32和1。

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北工业大学，其通讯地址为：710072 陕西省西安市友谊西路127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”。