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！

龙图腾网恭喜中南大学申请的专利一种基于注意力机制的跨模态哈希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：CN119830222B 。

龙图腾网通过国家知识产权局官网在2025-06-03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：202510300843.1，技术领域涉及：G06F18/25；该发明授权一种基于注意力机制的跨模态哈希检索方法是由杨展;陈炳宏;李逸楠;龙军设计研发完成，并于2025-03-14向国家知识产权局提交的专利申请。

本一种基于注意力机制的跨模态哈希检索方法在说明书摘要公布了：本申请公开了一种基于注意力机制的跨模态哈希检索方法，包括：获取第一多模态数据；将第一多模态数据输入检索与表示学习模型，得到目标融合离散哈希码，目标融合离散哈希码用于对第一多模态数据进行检索；其中，检索与表示学习模型通过以下步骤得到：获取多个训练样本，训练样本包括第二多模态数据和第一融合离散哈希码；基于损失函数，将多个训练样本输入初始检索与表示学习模型进行模型迭代训练，直至损失函数值达到预设的收敛值，得到检索与表示学习模型，其中，初始检索与表示学习模型基于卷积神经网络、词袋模型、Transformer编码器和或跨模态注意力机制构建。

本发明授权一种基于注意力机制的跨模态哈希检索方法在权利要求书中公布了：1.一种基于注意力机制的跨模态哈希检索方法，其特征在于，包括：获取第一多模态数据；将所述第一多模态数据输入检索与表示学习模型，得到目标融合离散哈希码，所述目标融合离散哈希码用于对所述第一多模态数据进行检索；其中，所述检索与表示学习模型通过以下步骤得到：获取多个训练样本，所述训练样本包括第二多模态数据和第一融合离散哈希码；基于损失函数，将多个所述训练样本输入初始检索与表示学习模型进行模型迭代训练，直至损失函数值达到预设的收敛值，得到所述检索与表示学习模型，其中，所述初始检索与表示学习模型基于卷积神经网络、词袋模型、Transformer编码器和或跨模态注意力机制构建；所述模型迭代训练包括：利用所述初始检索与表示学习模型中的卷积神经网络和词袋模型提取第二多模态数据中的特征，得到文本特征值矩阵和图像特征值矩阵；将所述文本特征值矩阵和所述图像特征值矩阵输入Transformer编码器，生成第一文本表征矩阵和第一图像表征矩阵；利用所述初始检索与表示学习模型中的跨模态注意力机制，融合所述第一文本表征矩阵和所述第一图像表征矩阵，得到第二文本表征矩阵和第二图像表征矩阵；将所述文本特征值矩阵和所述图像特征值矩阵输入至所述初始检索与表示学习模型中的相似度模块，得到文本自相似矩阵和图像自相似矩阵；利用所述初始检索与表示学习模型中的第一融合模块，融合所述文本自相似矩阵和所述图像自相似矩阵，得到总体相似度矩阵；利用所述初始检索与表示学习模型中的第二融合模块，分别将所述文本自相似矩阵、所述图像自相似矩阵与所述总体相似度矩阵融合，得到文本跨模态迁移矩阵和图像跨模态迁移矩阵；将所述文本跨模态迁移矩阵和所述图像跨模态迁移矩阵输入至所述初始检索与表示学习模型中的第三融合模块，得到总体跨模态迁移矩阵；利用所述初始检索与表示学习模型中的图卷积网络，根据所述第二文本表征矩阵、所述第二图像表征矩阵和所述总体相似度矩阵，生成第三文本表征矩阵和第三图像表征矩阵；利用所述初始检索与表示学习模型中的第四融合模块，融合所述第一文本表征矩阵、所述第一图像表征矩阵和所述总体跨模态迁移矩阵，得到融合表征矩阵；利用所述初始检索与表示学习模型中的线性层，将所述融合表征矩阵映射为融合连续值哈希码；将所述融合连续值哈希码输入所述初始检索与表示学习模型中的SIGN函数，得到第二融合离散哈希码；对所述融合连续值哈希码进行自相似变换，得到融合哈希表征矩阵；利用所述初始检索与表示学习模型中的全连接层，结合所述第三图像表征矩阵和所述融合表征矩阵，得到第一单路哈希表征矩阵；利用所述初始检索与表示学习模型中的全连接层，结合所述第三文本表征矩阵和所述融合表征矩阵，得到第二单路哈希表征矩阵；联合所述第一单路哈希表征矩阵和所述第二单路哈希表征矩阵，得到多路联合哈希表征矩阵；基于所述损失函数，根据所述第一单路哈希表征矩阵、所述第二单路哈希表征矩阵、所述总体相似度矩阵、所述融合哈希表征矩阵、所述多路联合哈希表征矩阵和所述第一融合离散哈希码，得到损失函数值；基于所述损失函数值，优化所述初始检索与表示学习模型。

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中南大学，其通讯地址为：410083 湖南省长沙市岳麓区麓山南路932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”。