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！

龙图腾网恭喜西安理工大学申请的专利基于自组织映射和深度学习的图像特征向量提取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：CN114373102B 。

龙图腾网通过国家知识产权局官网在2025-04-04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：202210043664.0，技术领域涉及：G06V10/764；该发明授权基于自组织映射和深度学习的图像特征向量提取方法是由石伟伟;黑新宏;谢国;王晓帆;费蓉;鲁晓锋设计研发完成，并于2022-01-14向国家知识产权局提交的专利申请。

本基于自组织映射和深度学习的图像特征向量提取方法在说明书摘要公布了：本发明公开的基于自组织映射和深度学习的图像特征向量提取方法，为：将待处理的图像数据集划分为训练样本集和测试样本集；搭建基于自组织映射和深度学习的图像特征向量提取方法的网络模型；构造余弦交叉熵分类损失函数；构造适用于批量学习的自组织映射的目标函数；结合余弦交叉熵分类损失函数和适用于批量学习的自组织映射的目标函数，构造总的目标函数；使用基于mini‑batch的随机梯度下降法训练步骤2构建的网络模型直到模型收敛；根据步骤6学习到的网络模型，将测试集中的图像输入到网络，特征层的输出即为图像的特征向量，用于计算机视觉任务。该方法不依赖于深度卷积网络结构，可以应用到任何一个深度卷积神经网络上。

本发明授权基于自组织映射和深度学习的图像特征向量提取方法在权利要求书中公布了：1.基于自组织映射和深度学习的图像特征向量提取方法，其特征在于，包括以下步骤：1将待处理的图像数据集划分为训练样本集和测试样本集；步骤1的具体实现方法如下：给定数据集和分别是训练样本集和测试样本集；其中Xi表示第i个训练样本图像；那么是图像Xi的类标签向量；如果Xi含有第c类，那么yic＝1，否则yic＝0；C表示数据集中的类别总数；yi中有且仅有一个元素为1，其余全部为0；2搭建基于自组织映射和深度学习的图像特征向量提取方法的网络模型；步骤2的具体实现方法如下：给定一个深度卷积神经网络，将其最后两层分别看成是特征层和分类层；保留原网络最后的分类层，同时，将特征层看成是自组织映射的输入层，在特征层后面再接一个二维矩阵型的竞争层；特征层与二维矩阵型的竞争层组成自组织映射；3构造余弦交叉熵分类损失函数；步骤3的具体实现方法如下：将图像Xi输入网络，特征层的输出称为Xi的特征向量，记为xi；从特征层到分类层第c个神经元的全连接的参数记为向量wc；采用的余弦交叉熵分类损失函数为： 其中 表示训练样本图像的集合；yi表示为样本图像Xi的类标签向量；表示步骤2中所搭建的网络模型的所有层参数的集合；Icond表示指示函数，如果条件cond为真，其值为1，否则为0；exp·表示指数函数；cos·,·表示两个向量夹角的余弦值；4构造适用于批量学习的自组织映射的目标函数；步骤4的具体实现方法如下：假定竞争层节点呈二维K×K矩阵型分布，将呈二维K×K矩阵型分布的竞争层节点分别赋予一个编号，从左至右从上至下进行标号，分别是第1,2,…,K2号节点；根据节点的编号，计算出其在竞争层平面的位置坐标；第k个节点的位置坐标rk为其中表示向下取整，％表示取余符号；构造的适用于批量学习的自组织映射的目标函数为： 其中，k＝1,2,…,K2，mk表示竞争层第k节点的权值向量，||·||表示向量的模长，σ是一个用于调节高斯分布的常数；5结合余弦交叉熵分类损失函数和适用于批量学习的自组织映射的目标函数，构造总的目标函数；6根据总的目标函数，使用基于mini-batch的随机梯度下降法训练步骤2构建的网络模型直到模型收敛；7根据步骤6学习到的网络模型，将测试集中的图像输入到网络，特征层的输出即为图像的特征向量，用于计算机视觉任务。

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理工大学，其通讯地址为：710048 陕西省西安市碑林区金花南路5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”。