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！

龙图腾网恭喜云南大学申请的专利基于卷积神经网络的细粒度鼠类识别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：CN116310617B 。

龙图腾网通过国家知识产权局官网在2025-05-06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：202211089355.3，技术领域涉及：G06V10/774；该发明授权基于卷积神经网络的细粒度鼠类识别方法是由吴鑫然;陈祥;岳昆;高子厚;邵宗体;段亮设计研发完成，并于2022-09-07向国家知识产权局提交的专利申请。

本基于卷积神经网络的细粒度鼠类识别方法在说明书摘要公布了：本发明公开了一种基于卷积神经网络的细粒度鼠类识别方法，收集鼠类图像样本集，构建基于三分支卷积神经网络的细粒度鼠类识别模型，包括图像特征提取模块、主体区域选择模块、擦除视角图像生成模块、裁切视角图像生成模块、全局平均池化模块、分类网络和识别结果融合模块，通过对提取的主体视角、擦除视角、裁切视角的特征进行识别，融合得到最终的识别结果，采用鼠类图像样本集对细粒度鼠类识别模型进行训练，采用训练好的细粒度鼠类识别模型对待识别的老鼠图像进行识别。本发明通过构建基于三分支卷积神经网络的细粒度鼠类识别模型，能有效过滤背景噪声，聚焦于鼠类图像中的重要区域，增强局部特征的表征能力，从而提高细粒度鼠类识别的精度。

本发明授权基于卷积神经网络的细粒度鼠类识别方法在权利要求书中公布了：1.一种基于卷积神经网络的细粒度鼠类识别方法，其特征在于，包括以下步骤：S1：根据实际需要确定N个老鼠类别，对于每个老鼠类别分别收集若干图像样本并采用预设方法进行预处理，根据老鼠类别对每个图像样本进行分类标注，得到鼠类图像样本集D；S2：构建基于三分支卷积神经网络的细粒度鼠类识别模型，包括图像特征提取模块、主体区域选择模块、擦除视角图像生成模块、裁切视角图像生成模块、全局平均池化模块、分类网络和识别结果融合模块，其中：图像特征提取模块用于对输入的老鼠图像Irow、擦除视角图像生成模块发送的擦除视角图像Ierase、裁切视角图像生成模块发送的裁切视角图像Icrop分别进行特征提取，得到大小为H×W×C的特征图Fi，其中H、W分别表示特征图Fi的高和宽，C表示特征图Fi的通道数，i∈{row,erase,crop}，记特征图Fi中所有特征点的集合为Pi＝{pi,1,pi,2,...,pi,H×W}，pi,j∈RC表示特征图Fi的第j个特征点的特征向量，j＝1,2,...,H×W，R表示实数域；然后将特征图Frow、Ferase发送给主体区域选择模块，将特征图Fcrop发送给全局平均池化模块；主体区域选择模块用于对特征图Frow、Ferase进行主体区域选择，得到特征图中作为主体区域的特征点集合Pr′ow、Pe′rase，将老鼠图像Irow的主体区域的特征点集合Pr′ow发送给鼠类擦除视角生成模块、鼠类裁切视角生成模块和全局平均池化模块，将擦除视角图像Ierase的主体区域的特征点集合Pe′rase发送给全局平均池化模块；主体区域选择模块包括全连接层和主体特征点筛选模块，其中：全连接层用于将特征图Fi′中每一个特征点pi′,j分别作为一个独立的区域特征进行分类预测，i′∈{row,erase}，得到每个特征点pi′,j的鼠类置信度向量fi′,j∈RN，然后输出至主体特征点筛选模块；主体特征点筛选模块在接收到所有特征点pi′,j预测的鼠类置信度向量fi′,j后，从每个鼠类置信度向量fi′,j中选取最大置信度值作为该特征点表征局部区域的判别权重，将所有特征点按照判别权重从大到小进行排序，选取前K个判别权重对应的特征点的集合Pi″作为主体区域，K的值根据实际需要确定；鼠类擦除视角生成模块用于根据老鼠图像Irow的主体区域的特征点集合Pr′ow生成老鼠图像Irow对应的擦除视角图像Ierase，具体方法为：随机从特征点集合Pr′ow中选择M个特征点cm，m＝1,2,...,M，M的值根据实际需要确定且1≤M≤K；然后根据老鼠图像Irow和特征图Frow中像素点的映射关系，将这M个特征点映射回老鼠图像Irow得到M个像素点c′m，以像素点c′m为中心从老鼠图像Irow中擦除M个预设形状区域，得到擦除视角图像Ierase并输出至图像特征提取模块；鼠类裁切视角生成模块用于根据老鼠图像Irow的主体区域的特征点集合Pr′ow生成老鼠图像Irow对应的裁切视角图像Icrop，具体方法为：随机从特征点集合Pr′ow中选择H个特征点h＝1,2,...,H，H的值根据实际需要确定且1≤H≤K，然后根据老鼠图像Irow和特征图Frow中像素点的映射关系，将H个特征点的坐标映射回老鼠图像Irow中得到H个像素点以像素点为中心、按照预设边长从老鼠图像Irow中裁切得到H个矩形区域，按照预设的组合方式将H个矩形区域组合为一张图像，并放大至老鼠图像Irow大小，得到裁切视角图像Ierase并输出至图像特征提取模块；全局平均池化模块用于对特征点集合Pr′ow、Pe′rase中所有特征点对应的区域特征进行全局平均池化，得到主体视角特征frow∈RC和擦除视角特征ferase∈RC；对裁切视角图像Icrop的特征图Fcrop进行全局平均池化，得到裁切视角特征fcrop∈RC；然后将各个视角特征fi输出至分类网络；分类网络用于根据视角特征fi进行分类，得到该视角下的识别结果si∈RN并输出至识别结果融合模块，si中第n个元素为老鼠图像Irow属于第n个老鼠类别的置信度；识别结果融合模块用于将三个视角的识别结果si进行加权融合，得到最终的识别结果spre：spre＝λrow×srow+λerase×serase+λcrop×scrop其中，λrow、λerase、λcrop分别表示预设的对应视角的权重，且λrow+λerase+λcrop＝1；将识别结果spre中置信度最大值对应的老鼠类别作为老鼠图像Irow所属的类别；S3：采用步骤S1中的鼠类图像样本集D对细粒度鼠类识别模型进行训练，得到训练好的细粒度鼠类识别模型，训练中采用如下方法计算每个图像样本的损失函数Ltotal：对于每一个分支网络，使用交叉熵损失函数单独计算各个视角识别结果的分类损失函数Li：Li＝-sreallogsi其中，sreal表示根据图像样本标注类别的one-hot编码；然后采用如下公式计算中心损失函数Lcenter： 其中，cn表示第n个类别的特征中心，采用如下方式迭代更新得到： 其中，c′n表示更新前的类别特征中心，其初始值为0向量，α表示预设的学习率；采用如下公式计算联合损失函数Ltotal：Ltotal＝γrow×Lrow+γerase×Lerase+γcrop×Lcrop+γcenter×Lcenter其中，γrow、γerase、γcrop、γcenter分别表示预设的对应损失函数的权重；S4：将待识别的老鼠图像采用步骤S1相同的预处理方法进行预处理，然后输入训练好的细粒度鼠类识别模型中，得到识别结果。

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云南大学，其通讯地址为：650091 云南省昆明市翠湖北路2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”。