湖南工业大学于惠钧获国家专利权
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!
龙图腾网获悉湖南工业大学申请的专利一种小样本下基于改进度量学习的轨面状态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:CN116778132B 。
龙图腾网通过国家知识产权局官网在2025-07-04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:202310588187.0,技术领域涉及:G06V10/20;该发明授权一种小样本下基于改进度量学习的轨面状态识别方法是由于惠钧;彭慈兵;刘建华;何静;张昌凡;张锦圣;黄刚;刘丽丽设计研发完成,并于2023-05-23向国家知识产权局提交的专利申请。
本一种小样本下基于改进度量学习的轨面状态识别方法在说明书摘要公布了:本发明公开了一种小样本下基于改进度量学习的轨面状态识别方法,所述方法主体包含有五个阶段,分别为数据采集与处理阶段、多尺度特征提取阶段、特征拼接阶段、度量阶段以及结果展示阶段;其多尺度特征提取阶段中引入金字塔拆分注意力机制,捕获不同尺度的空间信息,提升模型识别精度及训练速度;其特征拼接阶段中,启用特征拼接模块,引入深度局部拼接符,对特征图局部描述子进行拼接,减少背景等不相关信息的影响,同时保留具有明显区分度的局部特征;本发明设计了的度量阶段利用卷积神经网络代替固定度量公式,实现组合特征图的拟合度量;综上所述,本发明解决了模型中特征提取不充分以及特征拼接过程关键特征易丢失的问题,模型识别精度高。
本发明授权一种小样本下基于改进度量学习的轨面状态识别方法在权利要求书中公布了:1.一种小样本下基于改进度量学习的轨面状态识别方法,其特征在于,所述方法的步骤如下: S1、数据采集与处理阶段:现场采集包含不同工况下的轨面状态RGB图像,对图像预处理操作,统一图像尺寸并自建小样本轨面状态数据集; S2、多尺度特征提取阶段:构建多尺度特征提取网络模型,多尺度特征提取网络模型由卷积块、PSA模块及最大池化层构成,多尺度特征提取网络模型用于对查询集Q与支撑集S输入图像进行多尺度高维特征信息提取,所述PSA模块网络结构中,包含分割连接SPC模块、SE权重模块及Softmax模块三个部分,进行多尺度特征提取的过程如下: S2.1、利用多尺度卷积核分组卷积对子特征图Xi的多尺度空间特征信息进行提取,提取公式如下: Fi=ConvKi×Ki,GiXi,i=0,1,2,3 其中,Ki为卷积核大小,Ki=2×i+1,Gi为组的大小,Fi为多尺度卷积提取后获得的不同尺度特征图,Fi∈RC′×H×W; S2.2、经过Softmax模块对通过SE权重模块提取各通道方向上的注意力权重进行重新标定,建立远距离通道注意力依赖关系,交互通道多尺度注意力间信息,得到重标定注意力权重atti: S2.3、获取多尺度通道注意力加权特征图Yi S2.4、通过维度拼接操作实现多尺度通道注意力加权特征图Yi的拼接,获得特征信息更为丰富的多尺度细化特征图Y,其公式表达式为: Y=Cat[Y0,Y1,Y2,Y3] S3、特征拼接阶段:启用特征拼接模块,采用局部描述子代替全局特征向量,通过引入深度局部特征拼接符LDC,对支持集S与查询集Q特征图的局部描述子进行深度局部拼接,保留具有显著区分度的特征信息,拼接的过程如下: S3.1、对支持集S与查询集Q的轨面状态样本通过特征提取网络,构建局部描述子,其形式如下: D=[d1,d2,...,dn]∈Rc×n 其中,di表示第i个局部描述子,D表示深度局部特征表示空间,c为通道数,n为特征维度; S3.2、通过深度局部特征拼接符LDC对查询集Q样本与支撑集S各类样本的局部描述子分别进行两两拼接操作,得到深度局部描述子的组合特征图Li,其拼接关系为: 其中,Dq分别表示支撑集S、查询集Q的深度局部特征表示空间; S4、度量阶段:采用度量模块,利用卷积神经网络,用于对步骤S3.2得到的轨面状态组合特征图的自适应拟合度量,得出相似度得分,所述度量模块由卷积块、池化层及全连接层组成; S5、结果展示阶段:采用结果展示模块将相似度得分进行独热向量编码,并输出轨面状态识别结果。
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湖南工业大学,其通讯地址为:412000 湖南省株洲市天元区泰山路88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”。
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。