龙图腾网&IPTOP
- 微信扫码登录
- 账号密码登录
- 短信登录/注册
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！
申请/专利权人：吉林化工学院
摘要：本发明公开一种基于改进ViT的高效细粒度图像分类模型。所述方法包括：S1：使用预处理模块处理原始图像数据集；S2：通过模型将图像切分为互不重叠的16×16的小图块；S3：经过局部补丁遮蔽器LPC模块对小块图像中的信息区域进行随机选取并进行遮蔽处理，进而生成全新的小块图像；S3：提取每个小图块的特征向量令牌，同时引入位置编码和分类令牌；S4：使用特征选取模块对每个令牌进行比较，选取与分类器头具有较高相似度的令牌；S5：通过transformer模块从每层编码器的输出中，与分类令牌融合；S6：使用分类预测模块对融合特征进行分类预测，构建全新焦点平滑损失函数FSLoss进行训练，通过不断更新参数和迭代训练，优化模型性能，直至模型收敛。这些步骤使分类模型能够更加准确地捕获图像中局部区域，提取了图像背景中的有效信息并去除噪音，有效提高了分类准确性。
主权项：1.一种基于改进ViT的高效细粒度图像分类模型，其特征在于，包括以下步骤：步骤1：输入图像数据集到模型的主干网络中，将图像切割成16×16的小块图像；步骤2：基于局部补丁遮蔽器LPC模块对小块图像中的信息区域按比例进行随机选取，并对选取的部分进行遮蔽处理；步骤3：提取每个小图块的特征向量令牌，同时引入位置编码和分类令牌；步骤4：使用深度特征选取模块DFS对每个token进行比较，选取与分类器头具有较高相似度的令牌；步骤5：通过transformer模块从每层编码器的输出中，与分类令牌融合；步骤6：使用分类预测模块对融合特征进行分类预测，构建全新FSLoss损失函数进行训练，最后得到分类结果。
全文数据：
权利要求：
百度查询： 吉林化工学院 一种基于改进ViT的高效细粒度图像分类模型
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。
主营中国专利交易买卖与专利转让许可,高校科技成果推广与科技成果转化,知识产权运营管理与平台开发,科技人才专家库与科技猎头等科技服务
开放平台
担保交易
惠及多方
会员特惠
专属平台
适合多方
数据共享
功能齐全
皖公网安备 34010402703815号