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！

龙图腾网获悉陕西师范大学申请的专利基于SN-HiFuse网络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：CN116824245B 。

龙图腾网通过国家知识产权局官网在2026-01-16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：202310746779.0，技术领域涉及：G06V10/764；该发明授权基于SN-HiFuse网络的图像分类方法是由陈昱莅;张欣欣;陆铖;白佳洋;陈国萍;马苗;裴炤设计研发完成，并于2023-06-25向国家知识产权局提交的专利申请。

本基于SN-HiFuse网络的图像分类方法在说明书摘要公布了：一种基于SN‑HiFuse网络的图像分类方法，由数据集预处理、构建SN‑HiFuse网络、训练SN‑HiFuse网络、保存模型、验证SN‑HiFuse网络、测试SN‑HiFuse网络步骤组成。由于本发明采用了HiFuse网络、SimAM注意力机制模块、NAM注意力机制模块的通道注意力分支，构建成SN‑HiFuse网络，SN‑HiFuse网络可充分地利用图像中的有效信息，对图像进行准确分类。采用本发明与现有的图像分类方法进行了对比实验，对比实验结果表明，本发明方法具有图像分类结果准确率高、分类速度快、鲁棒性强等优点，可用于深度学习方法自动进行图像分类。

本发明授权基于SN-HiFuse网络的图像分类方法在权利要求书中公布了：1.一种基于SN-HiFuse网络的图像分类方法，其特征在于由下述步骤组成： 1数据集预处理 取含有细胞核的图片4999张，标签A数据集702张，标签B数据集2951张，标签C数据集1336张，图片大小为2000×2000像素； 1将图像数据集像素值归一化到[-1,1]，将图片重塑成尺寸为224×224像素的图片； 2将切分后的数据集按6：2：2的比例随机划分为训练集、验证集、测试集； 2构建SN-HiFuse网络 SN-HiFuse网络由局部特征分支与全局特征分支、特征融合分支依次并联，特征融合分支的输出端与分类器相连构成； 所述的局部特征分支由局部特征块1与局部特征块2、局部特征块3、局部特征块4依次串联构成；所述的全局特征分支由全局特征块1与全局特征块2、全局特征块3、全局特征块4依次串联构成；所述的特征融合分支由特征融合块1与特征融合块2、特征融合块3、特征融合块4依次串联构成；局部特征块1和全局特征块1的输出与特征融合块1的输入相连，局部特征块2和全局特征块2的输出与特征融合块2的输入相连，局部特征块3和全局特征块3的输出与特征融合块3的输入相连，局部特征块4和全局特征块4的输出与特征融合块4的输入相连； 所述的局部特征块1由卷积模块与SimAM注意力机制模块串联组成，局部特征块2、局部特征块3、局部特征块4的结构与局部特征块1的结构相同； 所述的特征融合块1由NAM注意力机制模块的通道注意力分支与CBAM注意力机制模块的空间注意力分支并联后，与卷积模块串联构成，特征融合块2、特征融合块3、特征融合块4的结构与特征融合块1的结构相同； 3训练SN-HiFuse网络 1确定目标函数 目标函数包括损失函数Loss和评价函数AUC，按下式确定损失函数Loss： 其中，m是训练样本总数，xi为第i个样本，yi为第i个样本对应的标签，lθxi为SN-HiFuse网络的输出，m、i为有限的正整数； 按下式确定评价函数AUC： 其中，Pi+为第i个样本预测为正样本的概率，Pi-为第i个样本预测为负样本的概率，I为有限的正整数，P∈0,1]，M为正样本的个数，N为负样本的个数，M和N为有限的正整数； 2训练SN-HiFuse网络 将训练集输入到SN-HiFuse网络中进行训练，SN-HiFuse网络的学习率γ∈[10-5,10-3]，优化器采用Adam优化器，训练迭代至SN-HiFuse网络的损失函数收敛； 4保存模型 在训练SN-HiFuse网络的过程中，不断更新权重，保存相应的参数及权重文件； 5验证SN-HiFuse网络 将验证集输入到SN-HiFuse网络中进行验证； 6测试SN-HiFuse网络 将测试集输入到SN-HiFuse网络中进行测试，加载保存的参数及权重文件，得到图像分类结果。

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陕西师范大学，其通讯地址为：710062 陕西省西安市长安南路199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。