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！

龙图腾网获悉南京师范大学申请的专利一种基于深度哈希的多标签印花图像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：CN115510254B 。

龙图腾网通过国家知识产权局官网在2025-07-01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：202211300811.4，技术领域涉及：G06F16/532；该发明授权一种基于深度哈希的多标签印花图像检索方法是由李莹;高家全;管春明设计研发完成，并于2022-10-24向国家知识产权局提交的专利申请。

本一种基于深度哈希的多标签印花图像检索方法在说明书摘要公布了：本发明公开了一种基于深度哈希的多标签印花图像检索方法，包括如下步骤：步骤1、采集整理各式样的印花图像，从多个角度对印花图像进行标注，建立多标签印花图像数据集；步骤2、利用图像处理的方法对数据进行增强；步骤3、印花图像数据集按照一定比例拆分为训练集和查询集；步骤4、构建基于深度哈希的多标签印花图像检索网络模型；步骤5、使用印花图像训练集对模型进行训练，然后通过训练好的模型对印花数据集提取特征，构建印花图像的哈希表示，并构建图像哈希数据库；步骤6、使用印花图像查询集在训练好的模型上进行检索，评估该模型的检索精度及泛化能力。本发明极大的提高了印花图像检索的精度和速度。

本发明授权一种基于深度哈希的多标签印花图像检索方法在权利要求书中公布了：1.一种基于深度哈希的多标签印花图像检索方法，其特征在于，包括如下步骤： 步骤1、采集整理各式样的印花图像，从多个角度对印花图像进行标注，建立多标签印花图像数据集； 步骤2、利用翻转、图像剪切、色彩变换、对比度变换图像处理的方法对数据进行增强； 步骤3、印花图像数据集按照一定比例拆分为训练集和查询集； 步骤4、构建基于深度哈希的多标签印花图像检索网络模型；具体包括如下步骤： 步骤41、载入卷积神经网络为骨干网络，用于提取图像的特征；加载卷积神经网络ResNet-50为主干网络，加载在ImageNet数据集预训练后的权重，去除最后的全连接层，保留其余层；使用骨干网络的“res4b6relu”层的视觉特征图作为该模型后续两个子网络的输入视觉特征，输入大小为3×224×224，骨干网络的输出大小为14×14×1024； 步骤42、在骨干网络后添加语义注意力网络，利用软注意力映射从深层网络的高层中获取基于特定标签特征激活的区域；注意力网络包括三层可学习的卷积层，卷积核大小分别为1×1×512，3×3×512，1×1×C，C为数据库中所有的标签种类数量，三个卷积层均使用ReLU为激活函数；特征映射图X∈R14×14×1024的通道维度经历三次卷积后分别减少为512→512→C，卷积后得到非标准化的注意力值映射图A'∈RH×W×C，其中，H＝14，W＝14，每个通道的映射图A'k∈RH×W对应一个标签，即1≤k≤C；接着对标签k对应的注意力值的映射图使用softmax函数进行标准化，得到最终的视觉注意力映射图A∈RH×W×C，其中，H＝14，W＝14；利用每个标签的注意图对骨干网络阶段输出的特征映射X进行加权和，生成标签表示Vk∈R1024，其中1≤k≤C；该注意力机制利用语义注意力网络会得到C个标签表示V＝[V1,V2,...,VC]∈RC×1024，每个特征表示能够选择性的聚合关于特定标签的相关特征；对每个标签特征向量Vk，使用一个线性的全连接层来评估标签k的置信分数；最终得到输入图像对于所有标签的置信度利用图像的真实标签y＝[y1,y2,...,yC]与yatt之间的交叉熵损失来学习注意力图的评估参数； 步骤43、添加图卷积神经网络，为每个印花图像标签学习相互依赖的特征； 步骤44、添加监督哈希网络，将深度网络提取的高维特征向量降维为一串短比特码，增强检索的实时性； 步骤5、使用印花图像训练集对模型进行训练，然后通过训练好的模型对印花数据集提取特征，构建印花图像的哈希表示，并构建图像哈希数据库； 步骤6、使用印花图像查询集在训练好的模型上进行检索，评估该模型的检索精度及泛化能力。

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南京师范大学，其通讯地址为：210024 江苏省南京市鼓楼区宁海路122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”。