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！

龙图腾网获悉福州大学申请的专利一种基于多粒度交互与特征重组网络的细粒度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：CN116883748B 。

龙图腾网通过国家知识产权局官网在2025-05-30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：202310867063.6，技术领域涉及：G06V10/764；该发明授权一种基于多粒度交互与特征重组网络的细粒度分类方法是由柯逍;蔡宇航;陈柏涛设计研发完成，并于2023-07-14向国家知识产权局提交的专利申请。

本一种基于多粒度交互与特征重组网络的细粒度分类方法在说明书摘要公布了：本发明提出一种基于多粒度交互与特征重组网络的细粒度分类方法，包括以下步骤：步骤S1：通过基于Swin‑Transformer的骨干网络提取细粒度全局图像的特征，然后通过自注意力权值引导局部图像定位，并以权重共享的形式提取局部特征；步骤S2：通过嵌入多粒度特征增强模块来增强粒度感知特征，同时结合跨注意力特征交互来进一步丰富区域级特征描述；步骤S3：利用动态的类级中心表示指导高差异通道重组交换，以保留潜在的类别不变特征，并探索多样化的特征模式组合；步骤S4：按照指定训练参数进行迭代训练，通过优化组合损失更新模型参数，根据验证准确率不断保存最优模型，利用最终模型得到的组合预测结果；本发明能在计算机视觉应用中准确有效地进行细粒度分类。

本发明授权一种基于多粒度交互与特征重组网络的细粒度分类方法在权利要求书中公布了：1.一种基于多粒度交互与特征重组网络的细粒度分类方法，其特征在于：包括以下步骤：步骤S1：通过基于Swin-Transformer的骨干网络提取细粒度全局图像的特征，然后通过自注意力权值引导局部图像定位，并以权重共享的形式提取局部特征；步骤S2：通过嵌入多粒度特征增强模块来增强粒度感知特征，同时结合跨注意力特征交互来进一步丰富区域级特征描述；步骤S3：利用动态的类级中心表示指导高差异通道重组交换，以保留潜在的类别不变特征，并探索多样化的特征模式组合；步骤S4：按照指定训练参数进行迭代训练，通过优化组合损失更新模型参数，根据验证准确率不断保存最优模型，利用最终模型得到的组合预测结果；步骤S3具体包括以下步骤；步骤S31：计算通道平均空间表示；具体为：以无参的方式生成类中心作为细粒度类别级的特征表示，并在训练过程中迭代更新，以此生成方式保证同一类别训练样本的整体特征表示，同时不需要额外的可学习参数进行优化以拟合细粒度训练样本的数据分布，降低网络对于数据分布的敏感性；具体为，定义第epoch_t个epoch的第class_i个类的类中心表示为为了从样本特征空间中生成每个类别鲁棒的特征中心表示，对同一类别的所有训练样本进行均值计算，具体计算如下 其中，epoch_t表示模型训练过程的第epoch_t个epoch，表示在第epoch_t个epoch下第class_i个类别的第sample_j个样本，Kclass_i表示第class_i个类别的训练样本总数；对于上述计算得到的每次迭代过程中的类别特征中心，进一步计算第epoch_t个epoch中第class_i个类别的通道平均空间表示由于模型可以轻松获得每次参数迭代过程中获得训练样本的类别特征中心表示，因此，通道平均空间表示可以以一种简单的方式在每次参数迭代的过程中进行更新，具体计算过程如下 其中表示第epoch_t个epoch中第class_i个类别的第channel_j个通道特征；D表示每个patch的通道总数；步骤S32：计算第class_i个类别的sample_i个类别的每个通道的权重得分具体计算方式如下 其中channel_N表示通道数量，为第epoch_t-1个epoch计算得到的第class_i个类别的通道平均空间表示，需要注意的是，在训练开始时，以高斯参数进行随机初始化，将类别中心初始化为特征空间中的随机点；步骤S33：进一步计算得到相对于类别中心的高差异通道；具体来说，通过计算当前第sample_i样本的通道掩码筛选高差异的通道特征，计算方式如下 其中channel_d表示特征的通道维度索引，索引从0开始，channel_d∈[0，D-1]；mpp·表示按降序排序获得的第pp×D个元素的值，pp为通道选择概率参数，pp∈[0，1]，其决定特征通道重组的比例；步骤S34：在训练过程中随机选择另一个训练样本对当前训练样本的通道特征进行重新组合，通过获得更多的特征组合来稳定分类器对于细粒度对象特征的学习，以对相对稳定的类别不变通道特征表示进行保留，对高差异的通道特征进行交换混淆；训练batch中第sample_i个样本的重组特征记为具体计算过程如下 其中，Msample_i表示第Msample_i个样本计算得到的通道掩码，Fsample_j表示训练过程中同一batch中的第sample_j个训练样本；步骤S35：当前训练epoch结束后更新类中心表示

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福州大学，其通讯地址为：350108 福建省福州市闽侯县福州大学城乌龙江北大道2号福州大学；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”。