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！

龙图腾网获悉重庆师范大学;重庆理工大学;重庆医药高等专科学校附属第一医院申请的专利一种基于混合CNN-ViT架构的宫颈组织病理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：CN119832297B 。

龙图腾网通过国家知识产权局官网在2025-10-31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：202411807456.9，技术领域涉及：G06V10/764；该发明授权一种基于混合CNN-ViT架构的宫颈组织病理图像分类方法是由张杨;王箫;徐传运;李刚;何攀;孙艺纱;陈玮设计研发完成，并于2024-12-10向国家知识产权局提交的专利申请。

本一种基于混合CNN-ViT架构的宫颈组织病理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混合CNN‑ViT架构的宫颈组织病理图像分类方法，涉及计算机视觉和深度学习技术领域。本发明首先在结合CNN和ViT架构的基础上，针对现有方法在特征提取、分类性能和模型适应性上的不足，提出了线性角度交叉协方差自注意力模块LACCSA和新型激活函数ExpReLU；LACCSA模块结合交叉协方差注意力和线性角度相似性，有效捕捉全局特征之间的动态关系，能够区分类别间的细微差异，并提取类内的共同特征，显著提升复杂病理图像分类的精度；ExpReLU激活函数通过增强非线性表达能力，减小数据分布偏移对模型性能的影响，同时优化了计算效率；结合CNN的局部特征提取能力和ViT的全局特征捕捉能力，本发明在细节表达和全局关系建模方面实现了良好平衡。

本发明授权一种基于混合CNN-ViT架构的宫颈组织病理图像分类方法在权利要求书中公布了：1.一种基于混合CNN-ViT架构的宫颈组织病理图像分类方法，其特征在于：至少包括以下步骤： S1：将宫颈组织病理图像输入到卷积神经网络模块中，首先提取图像的局部细节特征，所述卷积神经网络模块即CNN模块； S2：将S1中提出的特征输入到视觉变换器模块中进行进一步处理，所述视觉变换器模块即ViT模块，所述ViT模块通过线性角度交叉协方差自注意力模块捕捉全局特征之间的动态关系，所述线性角度交叉协方差自注意力模块即LACCSA模块； S3：所述LACCSA模块结合交叉协方差矩阵和线性角度相似性函数，有效提取同类别图像的共同特征，同时区分类别间的细微差异； S4：在ViT模块中采用新型激活函数ExpReLU，增强模型的非线性表达能力，减小数据分布偏移对模型性能的影响，从而在不同来源的图像数据上保持鲁棒性和准确性； S5：在LDCH和CAISHI数据集上进行实验，验证了该方法在多类别和二分类任务中的高效性； 所述S3中LACCSA模块结合线性角度相似性函数用于捕捉全局特征之间的角度关系； 所述LACCSA模块结合线性角度相似性函数的步骤至少包括以下步骤： 角度定义为： ； 其中，表示欧几里得距离，表示内积，和表示查询和键向量中的第i个和第j个向量，θ的输出范围是[0,π]，这样的角度能够被用作衡量相似度的一种方式； 在此设计中定义角度核作为查询Q和键值K之间的相似度测量函数： ； 输出范围是[0,1]，当和趋于一致，θ趋近于0，相似度接近于1；反之，如果和具有对立特征，θ趋近于π，相似度则趋近于0； 角度核的一个特性是将相似度测量替换为角度核提供了一种高效的方法，将输入数据隐式映射到高维特征空间； 在高维特征空间中，基于丰富特征结构计算距离角度，设为由此核引起的隐式映射，映射输入数据的范数为： ； 即输入空间中的所有数据都被映射到特征空间中半径为1的球面上，两输入特征之间的距离为： ； 欧氏距离和谱角正相关，距离范围为[0,2]，考虑到输入标记长度的平方复杂度； 为设计线性注意力，回顾三角恒等式和arccos函数的无限级数展开，将相似度函数重构为： ； 相当于： ； 其中：表示归一化后的线性核函数，这等同于如果和是单位向量时的内积； 直接使用前两个线性角项作为线性注意力中的相似度测量，而无限级数的高阶项引入了更高的复杂性，因此，采用参数化深度神经网络模块来近似高阶残差项； 则线性角注意力模块被表述为： ； 其中，是复杂度为的线性项，是DWConv的矩阵形式，因此线性角注意力的总体复杂度与输入标记长度呈线性关系； 所述激活函数ExpReLU的表达式为： ； 其中：s∈R和b∈R分别是尺度和偏置的标量，对所有通道共享，设置为常数或可学习的，以获得不同的ExpReLU变体，计算成本远少于GELU，但在性能上却表现更好； 为一种激活函数；是自然常数。

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重庆师范大学;重庆理工大学;重庆医药高等专科学校附属第一医院，其通讯地址为：400000 重庆市沙坪坝区大学城中路37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。