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！

龙图腾网获悉河北工业大学申请的专利基于空频交互的分布差异自适应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：CN117370594B 。

龙图腾网通过国家知识产权局官网在2026-03-27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：202311424869.4，技术领域涉及：G06F16/58；该发明授权基于空频交互的分布差异自适应图像检索方法是由张军;张智铭;杨召云;张旭鹏;高英杰;王仪诺;王朝权;张程设计研发完成，并于2023-10-31向国家知识产权局提交的专利申请。

本基于空频交互的分布差异自适应图像检索方法在说明书摘要公布了：本发明为一种基于空频交互的分布差异自适应图像检索方法，首先获取训练用的原始图像，通过数据增强得到强、弱变换图像；接着，构建深度哈希网络；将强、弱变换图像分别输入到学生模型和教师模型中，得到哈希量化编码，进而得到自蒸馏差异量化损失、哈希代理损失和二进制交叉熵损失；然后，构建分布迁移模块，利用学生模型提取的哈希量化编码的分布中心和离散程度对教师模型提取的哈希量化编码进行迁移，得到得到分布迁移损失；构建频率成分提取模块，通过快速傅里叶变换提取哈希量化编码的频域信息，再通过反正切变换提取哈希量化编码的频率成分，进而得到频率成分损失；最后，基于所有损失构建目标优化函数，对学生模型和教师模型进行训练，将训练后的学生模型或教师模型用于图像检索。通过充分量化哈希编码之间的差异信息，提升检索性能。

本发明授权基于空频交互的分布差异自适应图像检索方法在权利要求书中公布了：1.一种基于空频交互的分布差异自适应图像检索方法，其特征在于，该方法包括如下步骤： 第一步：获取训练用的原始图像，对原始图像进行数据增强，得到强变换图像和弱变换图像； 第二步：构建深度哈希网络；将强、弱变换图像分别输入到深度哈希网络的学生模型和教师模型中，得到学生模型提取的哈希量化编码和教师模型提取的哈希量化编码；基于学生模型和教师提取的哈希量化编码得到自蒸馏差异量化损失LSdh、哈希代理损失LHP和二进制交叉熵损失Lbce-Q； Lsdh＝1-cosHT,HS1 LHP＝Hy,SoftmaxPTT4 式中，HT、HS表示教师模型和学生模型提取的哈希量化编码，PT为代理样本，T表示温度标度超参数，H·表示图像的真实类别标签与预测类别标签之间的量化误差，y表示图像的真实类别标签序列，表示哈希编码的值为1，表示第k个哈希编码的极大似然估计值，Hk表示哈希量化编码HT的第k位，K表示编码长度； 第三步、构建分布迁移模块，分布迁移模块利用学生模型提取的哈希量化编码的分布中心和离散程度对教师模型提取的哈希量化编码进行迁移，得到分布迁移后的哈希量化编码，通过量化分布迁移后的哈希量化编码和教师模型提取的哈希量化编码之间的差异，得到分布迁移损失；分布迁移损失LDIT表示为： LDIT＝1-cosHT,HT_S12 式中，HT_S为经过范围约束的分布迁移后的哈希量化编码； 第四步：构建频率成分提取模块，频率成分提取模块通过快速傅里叶变换提取哈希量化编码的频域信息，再通过反正切变换提取哈希量化编码的频率成分； 其中，x表示快速傅里叶变换输入的哈希量化编码，Fxu,v为哈希量化编码在频域坐标u,v处的信息，h,w表示哈希量化编码的空域坐标，xh,w表示哈希量化编码在空域坐标h,w处的值，H和W表示哈希量化编码的长度、宽度； 其中，PH表示哈希量化编码的频率成分，Rx′u,v为哈希量化编码在频域坐标u,v处的实部，Ix′u,v为哈希量化编码在频域坐标u,v处的虚部； 频率成分损失Lph表示为： lph＝1-cosPHT,PHS15 其中，PHT表示哈希量化编码HT的频率成分，PHS为哈希量化编码HS的频率成分； 第五步：构建目标优化函数，对学生模型和教师模型进行训练，通过目标优化函数衡量训练损失；目标优化函数为： 其中，NB为样本总数，λ1、λ2、λ3、λ4均为权重； 将待查询图像输入到训练后的学生模型或教师模型中，输出检索图像。

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河北工业大学，其通讯地址为：300130 天津市红桥区丁字沽光荣道8号河北工业大学东院；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。